classicML 是一个用Python和CPP混编的机器学习项目，它既实现了Python的简单易用快速上手，又实现了CPP的高效性能。classicML的设计目标是简单易用，快速入门，编程风格简洁。
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CPP后端的函数的加速版本。为了保证兼容性，classicML默认使用Python后端，部分算法支持了使用CPP作为后端进行加速，你需要安装标准版的classicML，然后在开头使用这条语句切换后端。
import os
os.environ['CLASSICML_ENGINE'] = 'CC'使用线性判别分析进行二分类
- 下载示例数据集
wget https://github.com/sun1638650145/classicML/blob/master/datasets/西瓜数据集alpha.csv- 运行下面的代码
import pandas as pd
import classicML as cml
DATASET_PATH = '/path/to/西瓜数据集alpha.csv'
# 读取数据
dataframe = pd.read_csv(DATASET_PATH, index_col=0, header=0)
x = dataframe.iloc[:, :2].values
y = dataframe.iloc[:, 2].values
y[y == '是'] = 1
y[y == '否'] = 0
# 生成模型
model = cml.models.LDA()
# 训练模型
model.fit(x, y)
# 可视化模型
cml.plots.plot_lda(model, x, y, '密度', '含糖率')classicML 目前支持数种机器学习算法，但是每种算法实现的情况有所不同和差异。
| 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 | 保存和加载权重(experimental) |
|---|---|---|---|---|---|
| 逻辑回归 | ✅ | ✅ | ✅ | ||
| 线性判别分析 | ✅ | ✅ | ✅ | ||
| BP神经网络 | ✅ | ✅ | ✅ | ✅ | ✅ |
| 径向基函数神经网络 | ✅ | ✅ | ✅ | ||
| 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
- BP神经网络需要手动将离散值转换成dummy编码
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent