%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
## 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
## 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
## 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 - 0.9-1
- Package Spec generated