机器学习
mlsquare的Python项目详细描述
===
[ml]2：用于机器学习的机器学习
==
活动
|贡献者图像：：https://img.shields.io/github/contributors/mlsquare/mlsquare.svg
：alt:contributors
：目标：https://github.com/mlsquare/mlsquare/graphs/contributors
。|活动图像：：https://img.shields.io/github/commit activity/m/mlsquare/mlsquare.svg
：alt:activity
：目标：https://github.com/mlsquare/mlsquare/pulse
。|上一个提交：image：：https://img.shields.io/github/last commit/mlsquare/mlsquare.svg
：alt:last_commit
：target:https://github.com/mlsquare/mlsquare/commits/master
。| size image：：https://img.shields.io/github/repo-size/mlsquare/mlsquare.svg
：alt:size
>mlsquare是一个开放源码的开发人员友好的python库，旨在为机器学习开发人员利用深度学习。
==
入门！
===
设置“mlsquare”简单易行。创建虚拟环境
…代码块：bash
virtualenv~/.venv
source~/.venv/bin/activate
>2。安装“mlsquare”包
…代码块：：bash
3。从“mlsquare”导入“dope”函数并传递“sklearn”模型对象
…代码块：：python
>>>来自mlsquare.imly import dope
>；>来自sklearn.linear_model import linearregression
>；>来自sklearn.preprocessing import standardscaler
>；>来自sklearn.model_selection import train_test_split
>；>导入熊猫pd
>；>model=linearregression（）
>；>data=pd.read_csv（'./datasets/diabetes.csv'，delimiter=“，”，
header=none，index_col=false）
>；>sc=standardscaler（）
>；>data=sc.fit_transform（data）
>；>数据=PD.dataframe（data）
>>>>>gt>gt；x=data.iloc[：，：-1]
>>；y=data.iloc[：，-1]
>>>>x火车，x火车，x火车，x火车，y火车，y火车，y火车，y火车，y火车，y火车，y火车，x，y火车，x火车，x火车，x火车，随机状态=0.60，随机状态=0）
>>>gt>gt>m=dope（模型）dope（模型）
>
>>>
>>>>>>>gt>>；#所有sklearn操作都可以在m上执行，除了基本实现使用dnn
>>>>m.fit（x_train，y_train）
>>>m.score（x_test，对你来说是一个考验）
=
关于一个全面的教程，请查看这个“链接”网站，关于一个全面的教程，请查看这个“链接”网站，关于一个全面的教程，请查看这个“链接”网站，关于一个全面的教程，请查看这个“链接”网站，关于一个全面的教程，请查看这个“链接”网站，关于这个网站：http://github.com/mlsquare/mlsquare/blob/master/示例/imly.ipynb
>关于详细的文档，请参阅“文档>\uhttp://mlsquare.readthedocs.io
很想听听你的反馈。给我们发一封信到*info*[at]*mlsquare.org*
[ml]2：用于机器学习的机器学习
==
活动
|贡献者图像：：https://img.shields.io/github/contributors/mlsquare/mlsquare.svg
：alt:contributors
：目标：https://github.com/mlsquare/mlsquare/graphs/contributors
。|活动图像：：https://img.shields.io/github/commit activity/m/mlsquare/mlsquare.svg
：alt:activity
：目标：https://github.com/mlsquare/mlsquare/pulse
。|上一个提交：image：：https://img.shields.io/github/last commit/mlsquare/mlsquare.svg
：alt:last_commit
：target:https://github.com/mlsquare/mlsquare/commits/master
。| size image：：https://img.shields.io/github/repo-size/mlsquare/mlsquare.svg
：alt:size
>mlsquare是一个开放源码的开发人员友好的python库，旨在为机器学习开发人员利用深度学习。
==
入门！
===
设置“mlsquare”简单易行。创建虚拟环境
…代码块：bash
virtualenv~/.venv
source~/.venv/bin/activate
>2。安装“mlsquare”包
…代码块：：bash
3。从“mlsquare”导入“dope”函数并传递“sklearn”模型对象
…代码块：：python
>>>来自mlsquare.imly import dope
>；>来自sklearn.linear_model import linearregression
>；>来自sklearn.preprocessing import standardscaler
>；>来自sklearn.model_selection import train_test_split
>；>导入熊猫pd
>；>model=linearregression（）
>；>data=pd.read_csv（'./datasets/diabetes.csv'，delimiter=“，”，
header=none，index_col=false）
>；>sc=standardscaler（）
>；>data=sc.fit_transform（data）
>；>数据=PD.dataframe（data）
>>>>>gt>gt；x=data.iloc[：，：-1]
>>；y=data.iloc[：，-1]
>>>>x火车，x火车，x火车，x火车，y火车，y火车，y火车，y火车，y火车，y火车，y火车，x，y火车，x火车，x火车，x火车，随机状态=0.60，随机状态=0）
>>>gt>gt>m=dope（模型）dope（模型）
>
>>>
>>>>>>>gt>>；#所有sklearn操作都可以在m上执行，除了基本实现使用dnn
>>>>m.fit（x_train，y_train）
>>>m.score（x_test，对你来说是一个考验）
=
关于一个全面的教程，请查看这个“链接”网站，关于一个全面的教程，请查看这个“链接”网站，关于一个全面的教程，请查看这个“链接”网站，关于一个全面的教程，请查看这个“链接”网站，关于一个全面的教程，请查看这个“链接”网站，关于这个网站：http://github.com/mlsquare/mlsquare/blob/master/示例/imly.ipynb
>关于详细的文档，请参阅“文档>\uhttp://mlsquare.readthedocs.io
很想听听你的反馈。给我们发一封信到*info*[at]*mlsquare.org*
欢迎加入QQ群-->： 979659372
