Dagli 是 LinkedIn 開(kāi)源的用于 Java(和其他 JVM 語(yǔ)言)的機(jī)器學(xué)習(xí)函數(shù)庫(kù)，其開(kāi)發(fā)團(tuán)隊(duì)表示通過(guò)它可輕松編寫(xiě)不易出錯(cuò)、可讀、可修改、可維護(hù)且易于部署的模型管道，而不會(huì)引起技術(shù)債。Dagli 充分利用了現(xiàn)代多核的 CPU 和功能日益強(qiáng)大的 GPU，可以對(duì)真實(shí)世界模型進(jìn)行有效的單機(jī)訓(xùn)練。

下面是一個(gè)文本分類器的介紹性示例，此文本分類器以管道的形式實(shí)現(xiàn)，使用梯度增強(qiáng)決策樹(shù)模型 (XGBoost) 的主動(dòng)學(xué)習(xí)以及高維 ngram 集作為邏輯回歸分類器中的特征：

Placeholder text = new Placeholder<>();

Placeholder label = new Placeholder<>();

Tokens tokens = new Tokens().withInput(text);

NgramVector unigramFeatures = new NgramVector().withMaxSize(1).withInput(tokens);

Producer leafFeatures = new XGBoostClassification<>()

.withFeaturesInput(unigramFeatures)

.withLabelInput(label)

.asLeafFeatures();

NgramVector ngramFeatures = new NgramVector().withMaxSize(3).withInput(tokens);

LiblinearClassification prediction = new LiblinearClassification()

.withFeaturesInput().fromVectors(ngramFeatures, leafFeatures)

.withLabelInput(label);

DAG2x1.Prepared> trainedModel =

DAG.withPlaceholders(text, label).withOutput(prediction).prepare(textList, labelList);

LabelType predictedLabel = trainedModel.apply("Some text for which to predict a label", null);

// trainedModel now can be serialized and later loaded on a server, in a CLI app, in a Hive UDF...

總結(jié)

以上是生活随笔為你收集整理的java的函数库_Dagli首页、文档和下载 - Java 机器学习函数库的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。