scikit mlm

Scikit-mlm

scikit-mlm é um módulo Python que implementa a técnica de aprendizado de máquina Minimal Learning Machine (MLM) usando a API Scikit-Learn.

Instalação

O pacote scikit-mlm está disponível no Pypi. Para instalar, basta digitar o seguinte comando:

 pip install scikit-mlm

Tendo problemas?

• Pode ser necessário usar o sinalizador --user para os comandos acima para instalar em um local não-sistema (depende do seu ambiente). Como alternativa, você pode executar os comandos pip com sudo (não recomendado).
• Pode ser necessário adicionar a opção --use-wheel se você tiver uma versão pip mais antiga (as rodas agora são o formato de pacote binário padrão para pip ).

uso básico

Exemplo de classificação com o classificador do vizinho mais próximo do vizinho:

 from skmlm import NN_MLM
from sklearn . preprocessing import MinMaxScaler
from sklearn . model_selection import cross_val_score
from sklearn . pipeline import make_pipeline
from sklearn . datasets import load_iris

# load dataset
dataset = load_iris ()

clf = make_pipeline ( MinMaxScaler (), NN_MLM ( rp_number = 20 ))
scores = cross_val_score ( clf , dataset . data , dataset . target , cv = 10 , scoring = 'accuracy' )

print ( 'AVG = %.3f, STD = %.3f' % ( scores . mean (), scores . std ()))

como citar scikit-mlm

Se você usar scikit-mlm em seu artigo, cite-o em sua publicação.

 @misc{scikit-mlm,
    author       = "Madson Luiz Dantas Dias",
    year         = "2019",
    title        = "scikit-mlm: An implementation of {MLM} for scikit-learn framework",
    url          = "https://github.com/omadson/scikit-mlm",
    doi          = "10.5281/zenodo.2875802",
    institution  = "Federal University of Cear'{a}, Department of Computer Science" 
}

contribuindo

Este projeto está aberto para contribuições. Aqui estão algumas das maneiras de você contribuir:

• Relatórios de bug/correção
• apresenta solicitações
• demonstrações de uso de uso

Para fazer uma contribuição, apenas bifurque este repositório, empurre as mudanças no garfo, abra um problema e faça uma solicitação de tração!

Lista de técnicas implementadas

• Regressão original (MLMR)
• Classificação original (MLMC)
• vizinho mais próximo MLM (nn_mlm)
• Bairro oposto MLM (ON_MLM)
• Fuzzy C-Means MLM (FCM_MLM)
• MLM selecionado de maneira ideal (OS_MLM)
• ℓ _1/2 -Norm regularização MLM (L12_MLM)
• MLM ponderado (W_MLM)
• Classificação MLM (R_MLM) (WIP)
• Equação cúbica mlm (c_mlm)

melhorias futuras

Lista de métodos que serão implementados nos próximos lançamentos:

• MLM de distância quadrada esperada (ESD-MLM)
• MLM baseado em votação (V-MLM)
• MLM baseado em votação ponderada (WV-MLM)
• MLM baseado em votação aleatória (RSV-MLM)
• Amostragem aleatória MLM baseada em votação (RSWV-MLM)
• Opção de rejeição MLM (renjo-mlm)
• rejeitar a opção MLM ponderada (renjo-wmlm)

colaboradores

• Madson Dias

reconhecimento

• Obrigado pelo @jamesritchie, a ideia inicial deste projeto é inspirada no repo Scikit-RVM