An easy-to-use ML framework
Project description
classicML: 简单易用的经典机器学习框架
classicML 是一个用 Python 和 C++ 混编的机器学习项目,您既可以使用纯 Python 版本进行学习,也可以使用CC标准版进行实验和探索自定义功能。它既实现了Python的简单易用快速上手,又实现了C++的高效性能。classicML的设计目标是简单易用,快速入门,高扩展性和编程风格简洁。更多信息请访问文档网站。
多后端支持
classicML 本身是一个Python项目,但是机器学习中涉及到的复杂的矩阵运算对于Python有点儿捉襟见肘,因此我们提供了使用C++后端的加速版本。为了保证兼容性,classicML默认使用Python后端,现在全部算法支持了使用C++作为后端进行加速,如果您需要使用标准版的classicML,只需在开头使用这条语句切换后端。
import os
os.environ['CLASSICML_ENGINE'] = 'CC'
精度控制
目前,classicML 正在对全部算法支持32位和64位切换精度,使用32位的精度可以获得更快的运行速度和更小固化模型。
import os
os.environ['CLASSICML_PRECISION'] = '32-bit'
第一个机器学习程序
使用线性判别分析进行二分类
- 下载示例数据集
wget https://github.com/sun1638650145/classicML/blob/master/datasets/西瓜数据集alpha.csv
- 运行下面的代码
import classicML as cml
DATASET_PATH = '/path/to/西瓜数据集alpha.csv'
# 读取数据
ds = cml.data.Dataset()
ds.from_csv(DATASET_PATH)
# 生成模型
model = cml.models.LDA()
# 训练模型
model.fit(ds.x, ds.y)
# 可视化模型
cml.plots.plot_lda(model, ds.x, ds.y, '密度', '含糖率')
v0.7 预览
在之前的版本classicML
全局精度是float64
的,现在我们引入CLASSICML_PRECISION
,这样你就可以控制全局精度,使用32位的精度时,可以获得更快的运行速度和更小固化模型。
Project details
Release history Release notifications | RSS feed
Download files
Download the file for your platform. If you're not sure which to choose, learn more about installing packages.
Source Distribution
classicML-0.7b0.tar.gz
(71.5 kB
view hashes)
Built Distributions
Close
Hashes for classicML-0.7b0-cp39-cp39-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | ef49b4b09d8efc4c0c8cfb4a9b7ea9bb002de5757d25dec6ae1d32273b2d60c1 |
|
MD5 | 886b42d384200dca2cbdb146aaab9350 |
|
BLAKE2b-256 | 91ceb2cdce706e3c0c6000e7011f1aea383fbefaaa38db890de6544245fac12e |
Close
Hashes for classicML-0.7b0-cp39-cp39-macosx_11_0_arm64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 6f078bce326858b39a67a79b54b920e6b1829e18d47c5126ac60f8f8a5ff6497 |
|
MD5 | 197834d4269c2ad8972d45687b8984e0 |
|
BLAKE2b-256 | 4fb91e7842446ab134cf76cc6f462cf34f89366eb8b1b598639577fcbcaad01d |
Close
Hashes for classicML-0.7b0-cp39-cp39-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 980bfe6628ba1f130a2cd6056a957b17eaa1317c8580063d4a8b09815652dcfe |
|
MD5 | 3638d2a845300e253946de7b085b97b3 |
|
BLAKE2b-256 | dd7b53f88bd46e48719e58b750af0d3639aaa14d6f35498fcb81053c30d85d61 |
Close
Hashes for classicML-0.7b0-cp38-cp38-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | f02ef9418ab907368db7db76add6580e424e06cf7d401b6705c6f321b69d28e1 |
|
MD5 | 1422f323d0c6717ca8e86fbe9b446417 |
|
BLAKE2b-256 | 352e68403411395737389ed527ae0a0fb4076eccfc07f895e7ae22c05995c43f |
Close
Hashes for classicML-0.7b0-cp38-cp38-macosx_11_0_arm64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | e9249c01d50d916c48767f845c712603dfce55a9b29eef403eef840138c74ff1 |
|
MD5 | 59de8a7f1b333f49a0a23091c0341176 |
|
BLAKE2b-256 | 066297f13aff7128fc91eb453e50a2c12b701826a071c941f7001b1bf76d8664 |
Close
Hashes for classicML-0.7b0-cp38-cp38-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | a833231009c55440342541e063f25ef857561b1dc35c45302be6ebbde453de19 |
|
MD5 | 50e1446a6337358236f41586d156d7bc |
|
BLAKE2b-256 | bac0ac0044bc72a7e2ae1a2ed3198a16048c29dd19e53ac3aedcefe94d675cf1 |
Close
Hashes for classicML-0.7b0-cp37-cp37m-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 879adeed5901700878212bc2215fbe795097c7e64d1ba23951dda9b6a795cf19 |
|
MD5 | ccc28a4a081a1883a30dcf0334585976 |
|
BLAKE2b-256 | a8423a031e7a0d27b9a5e53df8bb9152843a25eb86e5372f2a6a5b3c7dc25e2f |
Close
Hashes for classicML-0.7b0-cp37-cp37m-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | cd309117a9e0a698594ec2a5cd70eb4817be33fc953dc1305846ee1f80a32c73 |
|
MD5 | 8057db5ca38c9fa5785252da429752fa |
|
BLAKE2b-256 | 243cccea58dba8959714c5fd1103c2a160ed66fbb1f21aba872fd74d13842928 |