Scikit-multiflow - Scikit-multiflow

scikit-mutliflow
Scikit-multiflow-logo.png
Původní autořiJacob Montiel, Jesse Read, Albert Bifet, Talel Abdessalem
VývojářiVývojový tým scikit-mutliflow a otevřená výzkumná komunita
První vydáníLedna 2018; Před 2 roky (2018-01)
Stabilní uvolnění
0.5.3 / 17. června 2020; před 5 měsíci (2020-06-17)[1][2]
Úložištěhttps://github.com/scikit-multiflow/scikit-multiflow
NapsánoKrajta, Cython
Operační systémLinux, Operační Systém Mac, Okna
TypKnihovna pro strojové učení
LicenceLicence 3-klauzule BSD
webová stránkascikit-multiflow.github.io

scikit-mutliflow (také známý jako skmultiflow) je bezplatný open source software strojové učení knihovna pro multi-výstup / multi-label a streamovat data napsáno v Krajta.[3]

Přehled

scikit-multiflow umožňuje snadno navrhovat a spouštět experimenty a rozšiřovat stávající algoritmy učení proudu[3]. Obsahuje sbírku klasifikace, regrese, koncepční detekce driftu a detekce anomálií algoritmy. Zahrnuje také sadu generátorů a hodnotitelů datových proudů. scikit-multiflow je navržen pro spolupráci s numerickými a vědeckými knihovnami Pythonu NumPy a SciPy a je kompatibilní s Notebooky Jupyter.

Implementace

Knihovna scikit-multiflow je implementována pod otevřený výzkum zásad a je v současné době distribuován pod Licence 3-klauzule BSD. scikit-multiflow je napsán hlavně v Pythonu a některé základní prvky jsou zapsány Cython pro výkon. scikit-multiflow se integruje s dalšími knihovnami Pythonu, jako je Matplotlib pro spiknutí, scikit-učit se pro metody přírůstkového učení[4] kompatibilní s nastavením učení streamu, Pandy pro manipulaci s daty, Numpy a SciPy.

Součásti

Scikit-multiflow se skládá z následujících dílčích balíčků:

  • anomaly_detection: metody detekce anomálií.
  • data: metody datových proudů včetně metod pro dávkovou konverzi a generátory.
  • drift_detection: metody detekce koncepčního driftu.
  • hodnocení: hodnotící metody pro učení proudu.
  • líný: metody, ve kterých je zobecnění tréninkových dat zpožděno, dokud není přijat dotaz, tj. metody založené na sousedech, jako je kNN.
  • meta: meta učení (také známé jako soubor ) metody.
  • neural_networks: metody založené na neuronové sítě.
  • prototyp: prototypové metody učení.
  • pravidla: metody učení založené na pravidlech.
  • přeměnit: provádět datové transformace.
  • stromy: stromové metody, např. Hoeffding stromy, které jsou druhem Rozhodovací strom pro datové toky.

Dějiny

scikit-multiflow začal jako spolupráce mezi výzkumníky v Télécom Paris (Institut Polytechnique de Paris[5]) a École Polytechnique. Vývoj v současné době provádí University of Waikato, Télécom Paris, École Polytechnique a otevřená výzkumná komunita.

Viz také

Reference

  1. ^ „scikit-mutliflow verze 0.5.3“.
  2. ^ „scikit-learn 0.5.3“. Index balíčků Pythonu.
  3. ^ A b Montiel, Jacob; Přečtěte si, Jesse; Bifet, Albert; Abdessalem, Talel (2018). „Scikit-Multiflow: Vícevýstupový streamovací rámec“. Journal of Machine Learning Research. 19 (72): 1–5. ISSN  1533-7928.
  4. ^ „scikit-learn - přírůstkové učení“. scikit-learn.org. Citováno 2020-04-08.
  5. ^ „Institut Polytechnique de Paris“. Citováno 2020-04-08.
  6. ^ Bifet, Albert; Holmes, Geoff; Kirkby, Richard; Pfahringer, Bernhard (2010). „MOA: Massive Online Analysis“. Journal of Machine Learning Research. 11 (52): 1601–1604. ISSN  1533-7928.
  7. ^ Přečtěte si, Jesse; Reutemann, Peter; Pfahringer, Bernhard; Holmes, Geoff (2016). „MEKA: Multi-label / Multi-target Extension to WEKA“. Journal of Machine Learning Research. 17 (21): 1–5. ISSN  1533-7928.

externí odkazy