使用机器学习算法的简单高级库
pylearning的Python项目详细描述
##pylearning:python机器学习库
[！[许可证]（https://img.shields.io/github/license/mashape/apistatus.svg？maxage=2592000）（https://github.com/amstuta/pylearning/blob/master/license.md）
[！[pypi]（https://img.shields.io/pypi/pyversions/pylearning.svg）]（
pylearning是一个高级机器学习软件包，设计用于轻松创建
原型并实现数据分析程序。
该库包括以下算法：
-回归：
-决策树回归
-随机森林回归
-最近邻回归器
-分类：
-决策树分类器
-随机森林分类器
-最近邻分类器
-聚类：
-k-均值
-dbscan（基于密度的聚类）
时尚。
此软件包与python3+兼容。
数据集
特征，目标=…
rf=随机森林回归（nb_树=10，nb_样本=100，最大深度=20）
rf.fit（特征，目标）
加载测试样本
测试特征，测试目标=…
预测值=rf.predict（测试特征，测试目标）使用dbscan算法的聚类示例=dbscan（epsilon=0.2）
cl.fit（data）
labels\u data={i:（[]，[]）for i in range（-1，2）}
for ex，label in zip（data，cl.labels）：
labels\u data[label][0].append（ex[0]）
labels\u data[label][1].append（ex[1]）
colors=['g'，'b']
for label，label_data.items（）中的值：
如果label=-1:
plt.scatter（值[0]，值[1]，color=-black'）
否则：
plt.scatter（值[0]，值[1]，color=color s[label]，s=50）
plt.show（）
````
！[替换文本]（resources/dbscan.png？raw=true）
API的完整文档[此处]（https://pylearning.arthuramstutz.com/）。
\pylearning需要安装numpy。它可以简单地使用pypy进行安装：对于稳定版本，pip3安装pylearning；对于最新版本，pip3安装git+https://github.com/amstuta/pylearning.git；进一步改进，不同算法的核心功能在本项目中实现。但是有许多可能的改进：
-分割节点（决策树）的gini标准
-修剪（决策树）
-将节点分割为任意数量的子节点（决策树）的能力
-减少时间和内存消耗的优化
-与pandas数据帧的更好兼容性
-添加新算法（基于密度的聚类、支持向量机、神经网络等）
若要执行此操作，您只需打开问题或分叉项目，然后创建拉取请求即可。
[！[许可证]（https://img.shields.io/github/license/mashape/apistatus.svg？maxage=2592000）（https://github.com/amstuta/pylearning/blob/master/license.md）
[！[pypi]（https://img.shields.io/pypi/pyversions/pylearning.svg）]（
pylearning是一个高级机器学习软件包，设计用于轻松创建
原型并实现数据分析程序。
该库包括以下算法：
-回归：
-决策树回归
-随机森林回归
-最近邻回归器
-分类：
-决策树分类器
-随机森林分类器
-最近邻分类器
-聚类：
-k-均值
-dbscan（基于密度的聚类）
时尚。
此软件包与python3+兼容。
数据集
特征，目标=…
rf=随机森林回归（nb_树=10，nb_样本=100，最大深度=20）
rf.fit（特征，目标）
加载测试样本
测试特征，测试目标=…
预测值=rf.predict（测试特征，测试目标）使用dbscan算法的聚类示例=dbscan（epsilon=0.2）
cl.fit（data）
labels\u data={i:（[]，[]）for i in range（-1，2）}
for ex，label in zip（data，cl.labels）：
labels\u data[label][0].append（ex[0]）
labels\u data[label][1].append（ex[1]）
colors=['g'，'b']
for label，label_data.items（）中的值：
如果label=-1:
plt.scatter（值[0]，值[1]，color=-black'）
否则：
plt.scatter（值[0]，值[1]，color=color s[label]，s=50）
plt.show（）
````
！[替换文本]（resources/dbscan.png？raw=true）
API的完整文档[此处]（https://pylearning.arthuramstutz.com/）。
\pylearning需要安装numpy。它可以简单地使用pypy进行安装：对于稳定版本，pip3安装pylearning；对于最新版本，pip3安装git+https://github.com/amstuta/pylearning.git；进一步改进，不同算法的核心功能在本项目中实现。但是有许多可能的改进：
-分割节点（决策树）的gini标准
-修剪（决策树）
-将节点分割为任意数量的子节点（决策树）的能力
-减少时间和内存消耗的优化
-与pandas数据帧的更好兼容性
-添加新算法（基于密度的聚类、支持向量机、神经网络等）
若要执行此操作，您只需打开问题或分叉项目，然后创建拉取请求即可。
欢迎加入QQ群-->： 979659372
