极限学习机Python开源库——elm【内附案例源码】

💖作者简介：大家好，我是车神哥，府学路18号的车神🥇
⚡About—>车神：从寝室到实验室最快3分钟，最慢3分半（那半分钟其实是等红绿灯）
📝个人主页：车手只需要车和手，压力来自论文_府学路18号车神_CSDN博客
🥇 官方认证：人工智能领域优质创作者
🎉点赞➕评论➕收藏 == 养成习惯（一键三连）😋

⚡希望大家多多支持🤗~一起加油 😁

• 专栏

• 人工智能

课题快接近尾声了，近期研究ELM极限学习机还比较多，15年 Augusto Almeida. 做过一个ELM的Python开源库，下面介绍一下吧～

Python Extreme Learning Machine (ELM)

关于极限学习机这里就不多介绍了，之前也介绍过其他的库如：hpelm。

• Python 极限学习机 (ELM) 是一种用于分类/回归任务的机器学习技术。

elm库的特征：

• ELM Kernel
• ELM 随机神经元
• 机器学习工具

安装【elm库】

如果你用的PyCharm，那么直接在Terminal下安装即可：

pip install elm

这是最简单的安装方法了～

当然，或者，如果你安装了 virtualenv：

$ virtualenv venv 
$ source venv/bin/activate 
$ pip install elm

用法说明

下面给出在项目中elm库的使用实例方法，用到了鸢尾花数据集，在下面的链接可以下载哦

• https://github.com/acba/elm/tree/develop/tests/data

# -- coding: utf-8 --
# @Time : 2022/5/18 16:13
# @Author : 府学路18号车神
# @File : demo_elm.py
# @Software: PyCharm

import elm

# download an example dataset from 在下面链接下载数据集
# https://github.com/acba/elm/tree/develop/tests/data

# load dataset 加载数据集
data = elm.read("./data/iris.data")

# create a classifier 创建基于核ELM的一个分类器
elmk = elm.ELMKernel()

# search for best parameter for this dataset 搜索此数据集的最佳参数
# define "kfold" cross-validation method, "accuracy" as a objective function  定义“kfold”交叉验证方法，“准确性”作为目标函数
# to be optimized and perform 10 searching steps. 待优化，执行10个搜索步骤
# best parameters will be saved inside 'elmk' object  最佳参数将保存在'elmk'对象中
elmk.search_param(data, cv="kfold", of="accuracy", eval=10)

# split data in training and testing sets  分离训练集和测试集的数据
# use 80% of dataset to training and shuffle data before splitting  在拆分前使用80%的数据集进行训练和洗牌
tr_set, te_set = elm.split_sets(data, training_percent=.8, perm=True)

# train and test 训练和测试
# results are Error objects 结果是Error对象
tr_result = elmk.train(tr_set)
te_result = elmk.test(te_set)

print(te_result.get_accuracy)

Package

classelm.elmk.ELMKernel(params=[])[source]

基础：elm.mltools.MLTools

Huang[1] 定义的 ELM 内核的 Python 实现。

ELM 是 Huang 在 2006 年提出的单隐藏层前馈网络（SLFN），2012 年作者在他之前的工作中修改并引入了使用核函数的新概念。

该实现目前接受 2012 年提出的两种方法，随机神经元和核函数来估计分类器/回归函数。

让问题的维度“d”是“t”大小（每个模式的目标数）和“f”大小（每个模式的特征数）的总和。所以，d = t + f

数据将设置为 Pattern = (Target | Features)。

如果数据库有N个模式，它的大小遵循Nxd。

Variables:

• output_weight (numpy.ndarray) – a column vector (Nx1) calculated after training, represent :math:beta.

• training_patterns (numpy.ndarray) –
  a matrix (Nxd) containing all patterns used for training.
  Need to save all training patterns to perform kernel calculation at testing and prediction phase.

• param_kernel_function (str) – kernel function that will be used for training.

• param_c (float) – regularization coefficient © used for training.

• param_kernel_params (list of float) – kernel function parameters that will be used for training.

Other Parameters:

• regressor_name (str) – The name of classifier/regressor.
• available_kernel_functions (list of str) – List with all available kernel functions.
• default_param_kernel_function (str) – Default kernel function if not set at class constructor.
• default_param_c (float) – Default parameter c value if not set at class constructor.
• default_param_kernel_params (list of float) – Default kernel function parameters if not set at class constructor.

其他的具体解释在elm的包源码内都有解释，直接安装好就可以查看啦

---

❤坚持读Paper，坚持做笔记，坚持学习，坚持刷力扣LeetCode❤！！！
坚持刷题！！！
⚡To Be No.1

⚡⚡哈哈哈哈

---

⚡创作不易⚡，过路能❤关注、收藏、点个赞❤三连就最好不过了

ღ( ´･ᴗ･` )

❤