1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
|
%global _empty_manifest_terminate_build 0
Name: python-classicML
Version: 0.9
Release: 1
Summary: An easy-to-use ML framework
License: Apache Software License
URL: https://github.com/sun1638650145/classicML
Source0: https://mirrors.nju.edu.cn/pypi/web/packages/6d/09/80490d42a70e6ad553599669e96c01cb61961147b3872ae36b201e8d8786/classicML-0.9.tar.gz
Requires: python3-h5py
Requires: python3-matplotlib
Requires: python3-numpy
Requires: python3-packaging
Requires: python3-pandas
Requires: python3-psutil
%description
# classicML: 简单易用的经典机器学习框架
    [](https://classicml.readthedocs.io/zh_CN/latest/?badge=latest) [](https://pypi.org/project/classicML/) [](https://pypi.org/project/classicML/)
classicML 是一个用 Python 和 C++ 混编的机器学习项目，您既可以使用纯 Python 版本进行学习，也可以使用CC标准版进行实验和探索自定义功能。它既实现了Python的简单易用快速上手，又实现了C++的高效性能。classicML的设计目标是简单易用，快速入门，高扩展性和编程风格简洁。更多信息请访问[文档网站](https://classicml.readthedocs.io/)。
## 多后端支持
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C++后端的加速版本。为了保证兼容性，classicML默认使用Python后端，现在全部算法支持了使用C++作为后端进行加速，如果您需要使用标准版的classicML，只需在开头使用这条语句切换后端。
```python
import os
os.environ['CLASSICML_ENGINE'] = 'CC'
```
## 精度控制
目前，classicML 正在对全部算法支持32位和64位切换精度，使用32位的精度可以获得更快的运行速度和更小固化模型。
```python
import os
os.environ['CLASSICML_PRECISION'] = '32-bit'
```
## 第一个机器学习程序
使用线性判别分析进行二分类
* 下载示例数据集
```shell
wget https://github.com/sun1638650145/classicML/blob/master/datasets/西瓜数据集alpha.csv
```
* 运行下面的代码
```python
import classicML as cml
DATASET_PATH = '/path/to/西瓜数据集alpha.csv'
# 读取数据
ds = cml.data.Dataset()
ds.from_csv(DATASET_PATH)
# 生成模型
model = cml.models.LDA()
# 训练模型
model.fit(ds.x, ds.y)
# 可视化模型
cml.plots.plot_lda(model, ds.x, ds.y, '密度', '含糖率')
```
* [更多示例代码点击](https://github.com/sun1638650145/classicML/tree/master/examples)
## 感谢[Jetbrains Open Source](https://www.jetbrains.com/community/opensource/#support)对项目的支持
<img src="https://resources.jetbrains.com/storage/products/company/brand/logos/CLion.svg" width="150"/><img src="https://resources.jetbrains.com/storage/products/company/brand/logos/CLion_icon.svg" width="80"/> <img src="https://resources.jetbrains.com/storage/products/company/brand/logos/PyCharm.svg" width="210"/><img src="https://resources.jetbrains.com/storage/products/company/brand/logos/PyCharm_icon.svg" width="80"/>
## v0.9 预览
* 这个版本将增加`cml.models.cluster`模块, 并添加几种聚类算法
* 将在`v1.0`之前添加100%的类型注释
%package -n python3-classicML
Summary: An easy-to-use ML framework
Provides: python-classicML
BuildRequires: python3-devel
BuildRequires: python3-setuptools
BuildRequires: python3-pip
BuildRequires: python3-cffi
BuildRequires: gcc
BuildRequires: gdb
%description -n python3-classicML
# classicML: 简单易用的经典机器学习框架
    [](https://classicml.readthedocs.io/zh_CN/latest/?badge=latest) [](https://pypi.org/project/classicML/) [](https://pypi.org/project/classicML/)
classicML 是一个用 Python 和 C++ 混编的机器学习项目，您既可以使用纯 Python 版本进行学习，也可以使用CC标准版进行实验和探索自定义功能。它既实现了Python的简单易用快速上手，又实现了C++的高效性能。classicML的设计目标是简单易用，快速入门，高扩展性和编程风格简洁。更多信息请访问[文档网站](https://classicml.readthedocs.io/)。
## 多后端支持
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C++后端的加速版本。为了保证兼容性，classicML默认使用Python后端，现在全部算法支持了使用C++作为后端进行加速，如果您需要使用标准版的classicML，只需在开头使用这条语句切换后端。
```python
import os
os.environ['CLASSICML_ENGINE'] = 'CC'
```
## 精度控制
目前，classicML 正在对全部算法支持32位和64位切换精度，使用32位的精度可以获得更快的运行速度和更小固化模型。
```python
import os
os.environ['CLASSICML_PRECISION'] = '32-bit'
```
## 第一个机器学习程序
使用线性判别分析进行二分类
* 下载示例数据集
```shell
wget https://github.com/sun1638650145/classicML/blob/master/datasets/西瓜数据集alpha.csv
```
* 运行下面的代码
```python
import classicML as cml
DATASET_PATH = '/path/to/西瓜数据集alpha.csv'
# 读取数据
ds = cml.data.Dataset()
ds.from_csv(DATASET_PATH)
# 生成模型
model = cml.models.LDA()
# 训练模型
model.fit(ds.x, ds.y)
# 可视化模型
cml.plots.plot_lda(model, ds.x, ds.y, '密度', '含糖率')
```
* [更多示例代码点击](https://github.com/sun1638650145/classicML/tree/master/examples)
## 感谢[Jetbrains Open Source](https://www.jetbrains.com/community/opensource/#support)对项目的支持
<img src="https://resources.jetbrains.com/storage/products/company/brand/logos/CLion.svg" width="150"/><img src="https://resources.jetbrains.com/storage/products/company/brand/logos/CLion_icon.svg" width="80"/> <img src="https://resources.jetbrains.com/storage/products/company/brand/logos/PyCharm.svg" width="210"/><img src="https://resources.jetbrains.com/storage/products/company/brand/logos/PyCharm_icon.svg" width="80"/>
## v0.9 预览
* 这个版本将增加`cml.models.cluster`模块, 并添加几种聚类算法
* 将在`v1.0`之前添加100%的类型注释
%package help
Summary: Development documents and examples for classicML
Provides: python3-classicML-doc
%description help
# classicML: 简单易用的经典机器学习框架
    [](https://classicml.readthedocs.io/zh_CN/latest/?badge=latest) [](https://pypi.org/project/classicML/) [](https://pypi.org/project/classicML/)
classicML 是一个用 Python 和 C++ 混编的机器学习项目，您既可以使用纯 Python 版本进行学习，也可以使用CC标准版进行实验和探索自定义功能。它既实现了Python的简单易用快速上手，又实现了C++的高效性能。classicML的设计目标是简单易用，快速入门，高扩展性和编程风格简洁。更多信息请访问[文档网站](https://classicml.readthedocs.io/)。
## 多后端支持
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C++后端的加速版本。为了保证兼容性，classicML默认使用Python后端，现在全部算法支持了使用C++作为后端进行加速，如果您需要使用标准版的classicML，只需在开头使用这条语句切换后端。
```python
import os
os.environ['CLASSICML_ENGINE'] = 'CC'
```
## 精度控制
目前，classicML 正在对全部算法支持32位和64位切换精度，使用32位的精度可以获得更快的运行速度和更小固化模型。
```python
import os
os.environ['CLASSICML_PRECISION'] = '32-bit'
```
## 第一个机器学习程序
使用线性判别分析进行二分类
* 下载示例数据集
```shell
wget https://github.com/sun1638650145/classicML/blob/master/datasets/西瓜数据集alpha.csv
```
* 运行下面的代码
```python
import classicML as cml
DATASET_PATH = '/path/to/西瓜数据集alpha.csv'
# 读取数据
ds = cml.data.Dataset()
ds.from_csv(DATASET_PATH)
# 生成模型
model = cml.models.LDA()
# 训练模型
model.fit(ds.x, ds.y)
# 可视化模型
cml.plots.plot_lda(model, ds.x, ds.y, '密度', '含糖率')
```
* [更多示例代码点击](https://github.com/sun1638650145/classicML/tree/master/examples)
## 感谢[Jetbrains Open Source](https://www.jetbrains.com/community/opensource/#support)对项目的支持
<img src="https://resources.jetbrains.com/storage/products/company/brand/logos/CLion.svg" width="150"/><img src="https://resources.jetbrains.com/storage/products/company/brand/logos/CLion_icon.svg" width="80"/> <img src="https://resources.jetbrains.com/storage/products/company/brand/logos/PyCharm.svg" width="210"/><img src="https://resources.jetbrains.com/storage/products/company/brand/logos/PyCharm_icon.svg" width="80"/>
## v0.9 预览
* 这个版本将增加`cml.models.cluster`模块, 并添加几种聚类算法
* 将在`v1.0`之前添加100%的类型注释
%prep
%autosetup -n classicML-0.9
%build
%py3_build
%install
%py3_install
install -d -m755 %{buildroot}/%{_pkgdocdir}
if [ -d doc ]; then cp -arf doc %{buildroot}/%{_pkgdocdir}; fi
if [ -d docs ]; then cp -arf docs %{buildroot}/%{_pkgdocdir}; fi
if [ -d example ]; then cp -arf example %{buildroot}/%{_pkgdocdir}; fi
if [ -d examples ]; then cp -arf examples %{buildroot}/%{_pkgdocdir}; fi
pushd %{buildroot}
if [ -d usr/lib ]; then
find usr/lib -type f -printf "/%h/%f\n" >> filelist.lst
fi
if [ -d usr/lib64 ]; then
find usr/lib64 -type f -printf "/%h/%f\n" >> filelist.lst
fi
if [ -d usr/bin ]; then
find usr/bin -type f -printf "/%h/%f\n" >> filelist.lst
fi
if [ -d usr/sbin ]; then
find usr/sbin -type f -printf "/%h/%f\n" >> filelist.lst
fi
touch doclist.lst
if [ -d usr/share/man ]; then
find usr/share/man -type f -printf "/%h/%f.gz\n" >> doclist.lst
fi
popd
mv %{buildroot}/filelist.lst .
mv %{buildroot}/doclist.lst .
%files -n python3-classicML -f filelist.lst
%dir %{python3_sitearch}/*
%files help -f doclist.lst
%{_docdir}/*
%changelog
* Fri May 05 2023 Python_Bot <Python_Bot@openeuler.org> - 0.9-1
- Package Spec generated
|
