# classicML: 简单易用的经典机器学习框架
![build](https://github.com/sun1638650145/classicML/actions/workflows/build.yml/badge.svg) ![win-build](https://github.com/sun1638650145/classicML/actions/workflows/win-build.yml/badge.svg) ![PyPI](https://github.com/sun1638650145/classicML/actions/workflows/pypi.yml/badge.svg) ![win-PyPI](https://github.com/sun1638650145/classicML/actions/workflows/win-pypi.yml/badge.svg) [![Documentation Status](https://readthedocs.org/projects/classicml/badge/?version=latest)](https://classicml.readthedocs.io/zh_CN/latest/?badge=latest) [![PyPI](https://img.shields.io/pypi/v/classicML?color=blue)](https://pypi.org/project/classicML/) [![PyPI - Python Version](https://img.shields.io/pypi/pyversions/classicML)](https://pypi.org/project/classicML/)
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](https://classicml.readthedocs.io/)。
## 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。
```python
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。
```python
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
```shell
wget https://github.com/sun1638650145/classicML/blob/master/datasets/西瓜数据集alpha.csv
```
* 运行下面的代码
```python
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')
```
* [更多示例代码点击](https://github.com/sun1638650145/classicML/tree/master/examples)
## 感谢[Jetbrains Open Source](https://www.jetbrains.com/community/opensource/#support)对项目的支持
<img src="https://resources.jetbrains.com/storage/products/company/brand/logos/CLion.svg" width="150"/><img src="https://resources.jetbrains.com/storage/products/company/brand/logos/CLion_icon.svg" width="80"/> <img src="https://resources.jetbrains.com/storage/products/company/brand/logos/PyCharm.svg" width="210"/><img src="https://resources.jetbrains.com/storage/products/company/brand/logos/PyCharm_icon.svg" width="80"/>
## v0.9.x 预览
* `v0.9` 正式版已经发布!
* 这个版本将增加`cml.models.cluster`模块, 并添加几种聚类算法
* 将在`v1.0`之前添加100%的类型注释
没有合适的资源?快使用搜索试试~ 我知道了~
简单易用的经典机器学习框架.zip
共168个文件
py:85个
md:32个
cc:17个
需积分: 5 0 下载量 35 浏览量
2024-04-28
22:31:37
上传
评论
收藏 203KB ZIP 举报
温馨提示
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径。 机器学习的发展历程可以追溯到20世纪50年代,当时Arthur Samuel在IBM开发了第一个自我学习程序,一个西洋棋程序,这标志着机器学习的起步。随后,Frank Rosenblatt发明了第一个人工神经网络模型——感知机。在接下来的几十年里,机器学习领域取得了许多重要的进展,包括最近邻算法、决策树、随机森林、深度学习等算法和技术的发展。 机器学习有着广泛的应用场景,如自然语言处理、物体识别和智能驾驶、市场营销和个性化推荐等。通过分析大量的数据,机器学习可以帮助我们更好地理解和解决各种复杂的问题。例如,在自然语言处理领域,机器学习技术可以实现机器翻译、语音识别、文本分类和情感分析等功能;在物体识别和智能驾驶领域,机器学习可以通过训练模型来识别图像和视频中的物体,并实现智能驾驶等功能;在市场营销领域,机器学习可以帮助企业分析用户的购买行为和偏好,提供个性化的产品推荐和定制化的营销策略。 总的来说,机器学习是一个快速发展且充满潜力的领域,它正在不断地改变我们的生活和工作方式。随着技术的不断进步和应用场景的不断扩展,相信机器学习将会在未来发挥更加重要的作用。
资源推荐
资源详情
资源评论
收起资源包目录
简单易用的经典机器学习框架.zip (168个子文件)
ops.cc 30KB
ops_wrapper.cc 27KB
initializers_wrapper.cc 15KB
matrix_op.cc 10KB
initializers.cc 9KB
losses.cc 8KB
activations_wrapper.cc 7KB
kernels_wrapper.cc 7KB
activations.cc 6KB
losses_wrapper.cc 5KB
kernels.cc 5KB
metrics_wrapper.cc 4KB
metrics.cc 4KB
_utils.cc 4KB
callbacks_wrapper.cc 2KB
_utils_wrapper.cc 2KB
callbacks.cc 824B
setup.cfg 182B
iris_dataset.csv 4KB
西瓜数据集beta.csv 896B
西瓜数据集gamma.csv 464B
西瓜数据集alpha.csv 345B
.gitignore 147B
numpy_patch.h 12KB
ops.h 5KB
initializers.h 3KB
losses.h 3KB
kernels.h 2KB
activations.h 2KB
matrix_op.h 2KB
dtypes.h 2KB
metrics.h 1KB
_utils.h 1KB
callbacks.h 776B
exceptions.h 451B
MANIFEST.in 365B
LICENSE 11KB
models.md 30KB
ops.md 10KB
optimizers.md 9KB
ops.md 8KB
plots.md 4KB
preprocessing.md 4KB
initializers.md 3KB
initializers.md 3KB
README.md 3KB
pruners.md 3KB
generators.md 3KB
criteria.md 3KB
losses.md 3KB
losses.md 3KB
kernels.md 2KB
kernels.md 2KB
activations.md 2KB
activations.md 2KB
FQA.md 2KB
dataset.md 2KB
training.md 2KB
benchmarks.md 2KB
metrics.md 2KB
metrics.md 2KB
io.md 1019B
thanks.md 769B
_utils.md 721B
_utils.md 721B
callbacks.md 628B
callbacks.md 628B
why-classicML.md 250B
resources.md 161B
optimizers.py 40KB
ops.py 28KB
semi_naive_bayes_classifiers.py 23KB
test_backend_ops.py 16KB
pruners.py 13KB
generators.py 13KB
decision_tree_classifier.py 13KB
naive_bayes_classifier.py 11KB
preprocessing.py 11KB
gaussian_mixture.py 10KB
dataset.py 10KB
__init__.py 9KB
support_vector_classifier.py 8KB
back_propagation_neural_network.py 8KB
criteria.py 8KB
radial_basis_function_network.py 7KB
boosting.py 7KB
initializers.py 7KB
logistic_regression.py 7KB
k_means.py 7KB
training.py 6KB
bagging.py 6KB
linear_discriminant_analysis.py 5KB
utils.py 4KB
linear_model.py 4KB
wrapper_utils.py 4KB
losses.py 4KB
_utils.py 4KB
test_backend_initializers.py 4KB
activations.py 4KB
setup.py 4KB
共 168 条
- 1
- 2
资源评论
生瓜蛋子
- 粉丝: 3823
- 资源: 5370
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功