一个易于使用的ML框架
classicML的Python项目详细描述
classicML
简单易用的经典机器学习框架,classicML支持数种机器学习算法,是你入门学习机器学习的首选
重要信息⚠️
推荐你直接使用pip安装预编译的软件包(stable version)
安装Python版本(没有加速)
pip install classicML-python
安装CPP版本(只支持macOS和Linux)
pip install classicML
从GitHub上下载源码进行编译安装, 请预装依赖的CPP库
- Eigen 3.3.7+
- pybind 2.6+
- 并且保证c++的最低版本为c++14
git clone https://github.com/sun1638650145/classicML.git cd classicML python3 setup.py install
部分算法支持了使用CPP作为后端进行加速,你需要在开头使用这条语句切换后端
importosos.environ['CLASSICML_ENGINE']='CC'
0.5版本的API接口略有改动, 修改了部分模块的路径, 结构更为合理.
0.5版本添加benchmark模块可以监控内存和时间开销.
目前的已支持的算法
算法名称 | 支持多分类 | 使用CC加速 | 可视化 | 同时处理离散和连续值 |
---|---|---|---|---|
逻辑回归 | ✅ | |||
线性判别分析 | ✅ | ✅ | ||
BP神经网络$^{1,2}$ | ✅ | ✅ | ✅ | |
径向基函数神经网络$^2$ | ✅ | |||
支持向量分类器 | ✅ | ✅ | ||
分类决策树 | ✅ | ✅ | ✅ | ✅ |
朴素贝叶斯分类器 | ✅ | ✅ | ✅ | |
平均独依赖估计器 | ✅ | ✅ | ||
超父独依赖估计器 | ✅ | ✅ | ✅ |
全部神经网络只能可视化损失和评估函数曲线,暂不能可视化结构信息
其中BP神经网络需要手动将离散值转换成dummy编码
- 项目
标签: