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
y_batch=y[i*n_batch=y[i*n_batch:(i+1)*n_batch]
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