用户指南 | API | 笔记本

Rust 中的机器学习

为了开始熟悉新的 smartcore v0.3 API，现在有一个可用的 Jupyter Notebook 环境仓库。请参阅那里的说明，欢迎贡献请看 CONTRIBUTING。

lib.rs:

smartcore

欢迎使用 smartcore，Rust 中的机器学习！

smartcore 提供了各种分类、回归和聚类算法，包括支持向量机、随机森林、k-means 和 DBSCAN，以及模型选择和模型评估的工具。

smartcore 提供了自己的 traits 系统，扩展了 Rust 标准库，用于处理线性代数和常见计算模型。其 API 使用了易于识别的模式。额外的功能（如对 ndarray 结构的支持）可以通过可选功能获得。

入门

要开始使用 smartcore 最新稳定版本，只需将以下内容添加到您的 Cargo.toml 文件中

[dependencies]
smartcore = "*"

要开始使用带有最新不稳定添加的 smartcore 开发版本

[dependencies]
smartcore = { git = "https://github.com/smartcorelib/smartcore", branch = "development" }

可以添加不同的功能到基础库中，例如添加样本数据集

[dependencies]
smartcore = { git = "https://github.com/smartcorelib/smartcore", features = ["datasets"] }

查看 smartcore 的 Cargo.toml 了解可用功能。

使用 Jupyter

为了快速介绍，Jupyter Notebooks 可在 此处 获取。您可以使用 EVCXR 按照以下 说明 设置本地环境来运行 Rust 笔记本。

第一个例子

例如，您可以使用此代码将一个定义为标准Rust向量的数据集拟合到K近邻分类器。

// DenseMatrix definition
use smartcore::linalg::basic::matrix::DenseMatrix;
// KNNClassifier
use smartcore::neighbors::knn_classifier::*;
// Various distance metrics
use smartcore::metrics::distance::*;

// Turn Rust vector-slices with samples into a matrix
let x = DenseMatrix::from_2d_array(&[
   &[1., 2.],
   &[3., 4.],
   &[5., 6.],
   &[7., 8.],
   &[9., 10.]]);
// Our classes are defined as a vector
let y = vec![2, 2, 2, 3, 3];

// Train classifier
let knn = KNNClassifier::fit(&x, &y, Default::default()).unwrap();

// Predict classes
let y_hat = knn.predict(&x).unwrap();

概述

支持算法

所有机器学习算法都被归类到以下广泛类别中

• 聚类，无监督聚类未标记数据。
• 矩阵分解，各种矩阵分解方法。
• 线性模型，输出假定与解释变量具有线性关系的回归和分类方法。
• 集成模型，各种回归和分类集成模型。
• 基于树的模型，分类和回归树。
• 最近邻，用于分类和回归的K近邻。
• 朴素贝叶斯，基于贝叶斯定理的统计分类技术。
• SVM，支持向量机。

线性代数特质系统

有关smartcore特质系统的介绍，请参阅此笔记本