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*