# classicML: 简单易用的经典机器学习框架
    [](https://classicml.readthedocs.io/zh_CN/latest/?badge=latest) [](https://pypi.org/project/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
简单易用的经典机器学习框架.zip
需积分: 5 35 浏览量
2024-04-28
22:31:37
上传
评论
收藏 203KB ZIP 举报
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
