smile
4.0.0
微笑（统计机器智能和学习引擎）是一种快速而全面的机器学习，NLP，线性代数，图形，插值和可视化系统，Java和Scala中的可视化系统。使用高级数据结构和算法，Smile可以提供最先进的性能。微笑有充分的记录，请访问项目网站以获取编程指南和更多信息。
微笑涵盖了机器学习的各个方面，包括分类，回归，聚类，关联规则挖掘，特征选择，多种学习，多维缩放，遗传算法，缺失价值插补，有效的最近的邻居搜索等。
微笑实现以下主要的机器学习算法：
分类：支持向量机，决策树，adaboost，梯度提升，随机森林，逻辑回归，神经网络，RBF网络，最大熵分类器，KNN，幼稚的贝叶斯，Fisher/linear/quadratic/quadratic/quadratic/Quartimized Incliminization判别分析。
回归：支持矢量回归，高斯工艺，回归树，梯度提升，随机森林，RBF网络，OLS，Lasso，Elasticnet，Ridge回归。
特征选择：基于遗传算法的特征选择，基于集合学习的特征选择，心理，信号噪声比，总和比率。
聚类：桦木，Clarans，DBSCAN，DENCLUE，确定性退火，K-均值，X均值，G-均值，神经气体，神经气体，增长的神经气体，分层聚类，顺序信息瓶颈，自组织图，光谱群集，光谱聚类，最低熵聚类。
关联规则和频繁的项目集开采： FP-GROWTH挖掘算法。
多种学习： ISOMAP，LLE，LAPLACIAN EIGENMAP，T-SNE，UMAP，PCA，内核PCA，概率PCA，GHA，GHA，随机投影，ICA。
多维缩放：经典MDS，等渗MDS，Sammon映射。
最近的邻居搜索： BK-Tree，Cover Tree，KD-Tree，Simhash，LSH。
序列学习：隐藏的马尔可夫模型，条件随机字段。
自然语言处理：句子分配器和令牌，BigRAM统计测试，短语提取器，关键字提取器，Stemmer，POS标记，相关性排名
您可以通过Maven Central存储库来使用库来通过将以下内容添加到项目pom.xml文件中。
<dependency>
<groupId>com.github.haifengl</groupId>
<artifactId>smile-core</artifactId>
<version>4.0.0</version>
</dependency>
对于NLP，请使用Artifactid Smile-NLP。
对于Scala API，请使用
libraryDependencies += "com.github.haifengl" %% "smile-scala" % "4.0.0"
对于Kotlin API，将以下内容添加到Gradle Build脚本的dependencies项部分中。
implementation("com.github.haifengl:smile-kotlin:4.0.0")
对于Clojure API，将以下依赖关系添加到您的项目或构建文件：
[org.clojars.haifengl/smile "4.0.0"]
某些算法依赖于Blas和Lapack（例如流形学习，一些聚类算法，高斯过程回归，MLP等）。要使用这些算法，您应该包括OpenBlas以优化矩阵计算：
libraryDependencies ++= Seq(
"org.bytedeco" % "javacpp" % "1.5.11" classifier "macosx-arm64" classifier "macosx-x86_64" classifier "windows-x86_64" classifier "linux-x86_64",
"org.bytedeco" % "openblas" % "0.3.28-1.5.11" classifier "macosx-arm64" classifier "macosx-x86_64" classifier "windows-x86_64" classifier "linux-x86_64",
"org.bytedeco" % "arpack-ng" % "3.9.1-1.5.11" classifier "macosx-x86_64" classifier "windows-x86_64" classifier "linux-x86_64"
)
在此示例中，我们包括所有支持的64位平台，并过滤掉32位平台。用户应仅包括所需的平台来节省空间。
如果您喜欢其他BLAS实现，则可以使用“ org.bytedeco.openblas.load” System属性指定“ Java.library.path”或类路径上的任何库。例如，要使用Mac OS X上的加速框架中的BLAS库，我们可以通过选项，例如-Dorg.bytedeco.openblas.load=blas 。
如果您有MKL的默认安装，或者简单地包含包括MKL二进制文件的完整版本的以下模块，则微笑将自动切换到MKL。
libraryDependencies ++= {
val version = "2025.0-1.5.11"
Seq(
"org.bytedeco" % "mkl-platform" % version,
"org.bytedeco" % "mkl-platform-redist" % version
)
}
Smile采用双重许可模型，旨在满足商业分销商（例如OEM，ISV和VAR）和开源项目的开发和分销需求。有关详细信息，请参阅许可证。
Smile带有Java，Scala和Kotlin的互动外壳。从“发行”页面下载预包装的微笑。在微笑的主目录中，输入
./bin/smile
输入Scala Shell。您可以在外壳中运行任何有效的Scala表达式。在最简单的情况下，您可以将其用作计算器。此外，所有高级微笑操作员都在外壳中预定义。默认情况下，外壳最多使用75％的内存。如果您需要更多内存来处理大数据，请使用选项-J-Xmx或-XX:MaxRAMPercentage 。例如，
./bin/smile -J-Xmx30G
您还可以为内存和其他JVM设置修改配置文件./conf/smile.ini 。
要使用Java的Jshell，请输入
./bin/jshell.sh
在班级路径中有微笑的罐子。同样，运行
./bin/kotlin.sh
输入kotlin repl。
大多数模型都支持Java Serializable接口（所有分类器都支持Serializable接口），以便您可以在Spark中使用它们。 ProtoStuff是一个不错的替代方法，可支持前后兼容性（架构演变）和验证。除了XML之外，ProtoStuff还支持许多其他格式，例如JSON，YAML，Protobuf等。
Smile提供了一个基于挥杆的数据可视化库SmilePlot，该库提供了散点图，线图，楼梯图，条图，盒子图，直方图，3D直方图，树状图，热图，Hexmap，Hexmap，QQ图，轮廓图，表面和线框。
要使用SmilePlot，请添加以下依赖项
<dependency>
<groupId>com.github.haifengl</groupId>
<artifactId>smile-plot</artifactId>
<version>4.0.0</version>
</dependency>
微笑还支持声明方法中的数据可视化。使用smile.plot.vega package ，我们可以创建一个规范，将可视化描述为从数据到图形标记属性（例如，点或栏）的映射。该规范基于Vega-Lite。 Vega-Lite编译器会自动产生可视化组件，包括轴，传奇和鳞片。然后，它根据一组精心设计的规则来确定这些组件的属性。
内核PCA | ISOMAP |
多维缩放 | SOM |
神经网络 | SVM |
分层聚类 | X均值 |
dbscan | 神经气 |
小波 | 指数家庭混合物 |
