xlearn

最新推荐文章于 2024-05-07 18:31:47 发布

小刘要努力。

最新推荐文章于 2024-05-07 18:31:47 发布

阅读量1.3k

点赞数

CC 4.0 BY-SA版权

分类专栏：原力计算

liurunsen

本文链接：https://blog.csdn.net/weixin_44510615/article/details/102251394

原力计算专栏收录该内容

214 篇文章

订阅专栏

xLearn是一款高性能、易用且可扩展的机器学习库，特别适合大规模稀疏数据的机器学习任务，如广告点击率预测和推荐系统。本文介绍了xLearn的安装方法，包括在Ubuntu和Windows上的安装流程，以及如何从源码安装。同时，提供了使用xLearn进行FM模型训练和预测的示例代码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

大家都知道sklearn这玩意，听说过xlearn 吗？

xLearn 是一款高性能的，易用的，并且可扩展的机器学习算法库，你可以用它来解决大规模机器学习问题，尤其是大规模稀疏数据机器学习问题。

官方文档
https://xlearn-doc-cn.readthedocs.io/en/latest/python_api/

在近年来，大规模稀疏数据机器学习算法被广泛应用在各种领域，例如广告点击率预测、推荐系统等。现在 xLearn 将会是你更好的选择，因为 xLearn 几乎囊括了这些系统的全部功能。

安装

https://xlearn-doc-cn.readthedocs.io/en/latest/install/install_windows.html

window 要安装Visual Studio 2017和cmake编译，我赶紧选用ubuntu安装

https://xlearn-doc-cn.readthedocs.io/en/latest/install/index.html

建议通过源码安装

从源码安装 xLearn 分为两个步骤：

首先，我们需要编译 xLearn 得到 xlearn_train 和 xlearn_predict 这两个可执行文件。

从 Github 上 clone 下 xLearn 源代码:

git clone https://github.com/aksnzhy/xlearn.git

cd xlearn
mkdir build
cd build
cmake ../
make
./run_example.sh

之后，你就可以通过 install-python.sh 脚本来安装 xLearn Python 包:

cd python-package
sudo ./install-python.sh

用户可以通过如下命令检测 xLearn Python 库是否安装成功:

cd ../
python run_demo_ctr.py

用户只需要从 Github 上 clone 下 xLearn 源代码:

git clone https://github.com/aksnzhy/xlearn.git

然后通过以下命令进行编译和安装:

cd xlearn
sudo ./build.sh

pip安装

在 Debian/Ubuntu Linux 上, 输入如下命令:

sudo apt-get install gcc binutils

安装 GCC (或者 Clang)

sudo apt-get install clang

在 Debian/Ubuntu Linux 上, 输入以下命令安装 cmake:

sudo apt-get install cmake

在pip安装

pip install xlearn

在这里插入图片描述

从iris快速入门

环境

ubuntu jupyter notebook

import xlearn as xl
 
ffm_model = xl.create_fm()
# 训练集
ffm_model.setTrain("./small_train.txt")
# 设置验证集
ffm_model.setValidate("./small_test.txt")
 
# 设置参数
param = {'task':'binary','lr':0.2,'lambda':0.002}
 
 
# 模型保存为model.txt
ffm_model.setTXTModel("./model.txt")
# 训练模型
ffm_model.fit(param, "model.out")
 
# 测试集
ffm_model.setTest("small_test.txt")
# 输出样本预测概率，范围(-1,1)
ffm_model.predict("model.out","output.txt")
 
# 设置预测概率范围为(0,1)
ffm_model.setSigmoid()
ffm_model.predict("model.out","output2.txt")
 

ffm_model.setSign()
ffm_model.predict("model.out","output3.txt")