用于在线机器学习的在线顺序极端机器学习（OS-ELM）的Python实现
pyoselm的Python项目详细描述
#pyoselm
*用于在线机器学习的在线顺序极端机器学习（os-elm）的python实现*
[！[构建状态]（https://travis-ci.org/leferrad/pyoselm.svg？branch=master）；（https://travis ci.org/leferrad/pyoselm）
\
在线序列极值学习机。计算智能，2005，232-237。
###用法
`` python
`` python
`` python
从pyoselm导入osellmregressor，osellmclassifier
从sklearn导入osellmregressor。数据集导入加载位数，进行回归
随机导入
/>回归问题---回归问题---模型
oselmr=osellmregressor（n_hidden=20，激活函数n=tanh’）
数据
x，y=make回归（n_样本数=400，n_目标数=1，n_目标数=1，n _目标数=1，n _目标数=1，n _目标数是的n个特征=10）
n_batch=20
oselmr fit（x_batch，y_batch）
打印（“i%i的火车分数：%s”%（i+1，str 1，str，str，str，str，str，（oselmr.分数（x_批，y_batch）））
结果
打印（“总的训练分数：%s%str（oselmr.score（x，y）））
分类问题---
模型
oselmc=oselmcoder（n_hidden=20，activation_func='sigmoid'）
数据
x，y=load_位数（n_class=10，return_x_y=true）
无序数据（有多个类的批处理）
zip戋y=zip（x，y）
随机。无序（zip戋x戋y）
x，y=[x戋y[0]对于x戋y in zip戋y]，对于X射线在ZipuX射线中的X射线，X射线[1]对于X射线在ZipuX射线中的X射线在ZipuX射线中的X射线[X射线[1]
>对于序贯学习，第一批数据的大小应与模型中神经元的大小相同，以达到第一阶段（增强）的第一批数据的大小应与模型中神经元的大小相同，以实现第一阶段（增强）的第一批数据的大小
X射线中X射线的X射线[X射线[X射线I]对于X射线中X射线的X射线[X射线[X射线I]对于X射线中X射线X射线的X射线[Oselmc.n，U Hidden:]]]
Y=[Y[[Y[:Oselmc Oselmc.在y中的y[oselmc.n_hidden:]
ZIP中的b_x，b_y（batches_x，batches_y）：
oselmc.fit（b_x，b_y）
print（总的训练分数为%s%str（oselmc.score（x，y）））
````
注意：逐块卡盘比逐块快
*用于在线机器学习的在线顺序极端机器学习（os-elm）的python实现*
[！[构建状态]（https://travis-ci.org/leferrad/pyoselm.svg？branch=master）；（https://travis ci.org/leferrad/pyoselm）
\
在线序列极值学习机。计算智能，2005，232-237。
###用法
`` python
`` python
`` python
从pyoselm导入osellmregressor，osellmclassifier
从sklearn导入osellmregressor。数据集导入加载位数，进行回归
随机导入
/>回归问题---回归问题---模型
oselmr=osellmregressor（n_hidden=20，激活函数n=tanh’）
数据
x，y=make回归（n_样本数=400，n_目标数=1，n_目标数=1，n _目标数=1，n _目标数=1，n _目标数是的n个特征=10）
n_batch=20
oselmr fit（x_batch，y_batch）
打印（“i%i的火车分数：%s”%（i+1，str 1，str，str，str，str，str，（oselmr.分数（x_批，y_batch）））
结果
打印（“总的训练分数：%s%str（oselmr.score（x，y）））
分类问题---
模型
oselmc=oselmcoder（n_hidden=20，activation_func='sigmoid'）
数据
x，y=load_位数（n_class=10，return_x_y=true）
无序数据（有多个类的批处理）
zip戋y=zip（x，y）
随机。无序（zip戋x戋y）
x，y=[x戋y[0]对于x戋y in zip戋y]，对于X射线在ZipuX射线中的X射线，X射线[1]对于X射线在ZipuX射线中的X射线在ZipuX射线中的X射线[X射线[1]
>对于序贯学习，第一批数据的大小应与模型中神经元的大小相同，以达到第一阶段（增强）的第一批数据的大小应与模型中神经元的大小相同，以实现第一阶段（增强）的第一批数据的大小
X射线中X射线的X射线[X射线[X射线I]对于X射线中X射线的X射线[X射线[X射线I]对于X射线中X射线X射线的X射线[Oselmc.n，U Hidden:]]]
Y=[Y[[Y[:Oselmc Oselmc.在y中的y[oselmc.n_hidden:]
ZIP中的b_x，b_y（batches_x，batches_y）：
oselmc.fit（b_x，b_y）
print（总的训练分数为%s%str（oselmc.score（x，y）））
````
注意：逐块卡盘比逐块快
欢迎加入QQ群-->： 979659372
