巨蟒的Autoweka
pyautoweka的Python项目详细描述
pyautoweka是一个用于算法选择和超参数优化的java应用程序，它构建在[weka]上（http://www.cs.ubc.ca/labs/beta/projects/autoweka/）。
安装转到项目源并安装：
```
git clone git@github.com:tdomhan/py autoweka.git
cd pyautoweka
python setup.py install
```
=pyautoweka.experiment（tuner_timeout=9000）
````
`tuner_timeout`是优化运行的时间（秒）。例如9000秒=2.5小时。运行优化的时间越长，当然就越好。（注意，“experiment”对象有一个类似于sklearn分类器的接口。）
首先我们需要加载一些数据。例如著名的[iris数据集]（http://archive.ics.uci.edu/ml/dataset s/iris）。使用[这个链接]（http://archive.ics.uci.edu/ml/machine learning databases/iris/iris/iris.data）下载它。我们把它加载到python中去吧：
``python
``加载数据：
import numpy as np
import ranrandom
y=y=y=np.loadtxt.load是的
洗牌数据：
index=range（len（x））
随机洗牌（index）
x=x[index]
y=y[index]
洗牌（index）
x=x[0:100]
y=y[0:100]
x=x[0:100]
x=x[0:100]
y=y[0:100]
x=x[100]
y=y[100]
y=y[100]
x=y=y[100]
并预测延迟数据的标签：
y嫒predict=experiment.predict（x嫒test）
y嫒predict=experiment.num嫒correct=sum（[1表示预测，如果预测=correct，则在zip（y嫒predict，y嫒test）中正确]）
打印“精度：%f%float（num嫒correct）/len（y嫒test）
`
精度高达90%s.
高级：选择特定分类器
当您不设置特定分类器时，将尝试所有可用的分类器。您可以选择将搜索限制为某些分类器，如下所示：
分类器：
``python
experience.add_classifier（“weka.classifiers.functions.simplelogistic”）
````
advanced:创建的文件在创建新的实验时，会有一堆文件在autoweka运行之前和运行期间生成。对于每个实验，“实验”文件夹中都会有一个新文件夹。如果在构造函数中指定了该文件夹，则该文件夹将具有实验的名称。每次安装数据时，都会创建一个tempraroy arff文件，其中包含所有数据。此文件将在“fit”调用后被删除。
安装转到项目源并安装：
```
git clone git@github.com:tdomhan/py autoweka.git
cd pyautoweka
python setup.py install
```
=pyautoweka.experiment（tuner_timeout=9000）
````
`tuner_timeout`是优化运行的时间（秒）。例如9000秒=2.5小时。运行优化的时间越长，当然就越好。（注意，“experiment”对象有一个类似于sklearn分类器的接口。）
首先我们需要加载一些数据。例如著名的[iris数据集]（http://archive.ics.uci.edu/ml/dataset s/iris）。使用[这个链接]（http://archive.ics.uci.edu/ml/machine learning databases/iris/iris/iris.data）下载它。我们把它加载到python中去吧：
``python
``加载数据：
import numpy as np
import ranrandom
y=y=y=np.loadtxt.load是的
洗牌数据：
index=range（len（x））
随机洗牌（index）
x=x[index]
y=y[index]
洗牌（index）
x=x[0:100]
y=y[0:100]
x=x[0:100]
x=x[0:100]
y=y[0:100]
x=x[100]
y=y[100]
y=y[100]
x=y=y[100]
并预测延迟数据的标签：
y嫒predict=experiment.predict（x嫒test）
y嫒predict=experiment.num嫒correct=sum（[1表示预测，如果预测=correct，则在zip（y嫒predict，y嫒test）中正确]）
打印“精度：%f%float（num嫒correct）/len（y嫒test）
`
精度高达90%s.
高级：选择特定分类器
当您不设置特定分类器时，将尝试所有可用的分类器。您可以选择将搜索限制为某些分类器，如下所示：
分类器：
``python
experience.add_classifier（“weka.classifiers.functions.simplelogistic”）
````
advanced:创建的文件在创建新的实验时，会有一堆文件在autoweka运行之前和运行期间生成。对于每个实验，“实验”文件夹中都会有一个新文件夹。如果在构造函数中指定了该文件夹，则该文件夹将具有实验的名称。每次安装数据时，都会创建一个tempraroy arff文件，其中包含所有数据。此文件将在“fit”调用后被删除。
欢迎加入QQ群-->： 979659372
