easyml-framework 1.3.2

Framework ML ultra-simple avec cache intelligent, ensemble learning et monitoring automatique

�� EasyML Framework

Framework Machine Learning automatisé pour Python - Simple et efficace

✨ Ce qui fonctionne vraiment

• 🤖 AutoClassifier - Classification automatique avec 10 algorithmes
• 📊 AutoRegressor - Régression automatique
• 🎯 AutoEnsemble - Ensemble learning intelligent
• 🧹 Preprocessing - Nettoyage automatique des données
• ⚡ Optimisation - Hyperparamètres automatiques
• 💾 Sauvegarde - Modèles persistants

🛠️ Installation

pip install easyml-framework

🚀 Utilisation Rapide

Classification Automatique

import easyml as ez
import pandas as pd
from sklearn.datasets import load_iris

# Données
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['target'] = iris.target

# Modèle automatique
model = ez.AutoClassifier()
model.fit(df, target='target')

# Résultats
scores = model.evaluate()
print(f"Accuracy: {scores['accuracy']}")
print(f"Meilleur modèle: {scores['best_model']}")

# Prédiction
sample = df.drop('target', axis=1).iloc[:1]
prediction = model.predict(sample)

Ensemble Learning

# Ensemble automatique
ensemble = ez.AutoEnsemble()
ensemble.fit(df, target='target')

# Évaluation
scores = ensemble.evaluate()
print(f"Ensemble Accuracy: {scores['accuracy']}")

🔧 Algorithmes Supportés

Classification :

• RandomForest, GradientBoosting
• XGBoost, LightGBM (si installés)
• LogisticRegression, SVM
• KNeighbors, ExtraTrees
• AdaBoost, NaiveBayes

Régression :

• RandomForest, GradientBoosting
• LinearRegression, Ridge, Lasso
• ElasticNet, SVR, KNeighbors

📊 Fonctionnalités Avancées

• Optimisation automatique des hyperparamètres
• Cross-validation intégrée
• Sélection du meilleur modèle automatique
• Preprocessing intelligent (valeurs manquantes, encoding)
• Cache des résultats pour performances
• Monitoring automatique des modèles

🎯 Performances Réelles

• 10 algorithmes testés automatiquement
• Optimisation hyperparamètres avec RandomizedSearch
• Cross-validation 5-fold par défaut
• Accuracy typique : 90-96% sur datasets standard
• Vitesse : Quelques secondes à minutes selon la taille

💾 Sauvegarde et Chargement

# Sauvegarder
model.save('mon_modele.pkl')

# Charger
nouveau_model = ez.AutoClassifier()
nouveau_model.load('mon_modele.pkl')

📈 Interface CLI

# Classification rapide
easyml --auto-classify data.csv --target label

# Régression rapide  
easyml --auto-regress data.csv --target price

# Aide
easyml --help

🔧 Exemple Complet

import easyml as ez
import pandas as pd

# Vos données
df = pd.read_csv('data.csv')

# Classification automatique
classifier = ez.AutoClassifier()
classifier.fit(df, target='label')

# Voir les résultats
results = classifier.evaluate()
print(f"Meilleur modèle: {results['best_model']}")
print(f"Accuracy: {results['accuracy']}")

# Tous les scores des modèles testés
for model, score in results['model_scores'].items():
    print(f"{model}: {score:.3f}")

# Prédiction sur nouvelles données
new_data = pd.read_csv('new_data.csv')
predictions = classifier.predict(new_data)

📄 Licence

MIT License - voir LICENSE

🚀 Comment Publier une Mise à Jour

1. Modifier la version dans setup.py et easyml/__init__.py
2. Reconstruire : python setup.py sdist bdist_wheel
3. Publier : twine upload dist/*