GoLearn

GoLearn 是一个“开箱即用”的 Go 语言机器学习库。我们的目标是简单易用，同时保持高度的可定制性。目前我们正处于积极开发阶段，非常欢迎广大用户提出宝贵意见！您可以通过 Twitter 联系我们。

twitter: @golearn_ml

安装

请参阅 此处 获取安装说明。

快速入门

数据以 Instance 的形式加载进来。随后您可以对这些数据执行类似矩阵的操作，并将其传递给估计器。GoLearn 实现了与 scikit-learn 一致的 Fit/Predict 接口，因此您可以轻松地切换不同的估计器进行实验和调试。此外，GoLearn 还提供了一些数据处理辅助函数，例如交叉验证以及训练集和测试集的划分。

package main

import (
	"fmt"

	"github.com/sjwhitworth/golearn/base"
	"github.com/sjwhitworth/golearn/evaluation"
	"github.com/sjwhitworth/golearn/knn"
)

func main() {
	// 加载包含表头的数据集，表头信息会被保存下来。
	// 可以将 Instance 看作 R 或 Pandas 中的 DataFrame 结构。
	// 您也可以从零开始创建 Instance。
	rawData, err := base.ParseCSVToInstances("datasets/iris.csv", true)
	if err != nil {
		panic(err)
	}

	// 打印数据的概要信息
	fmt.Println(rawData)

	// 初始化一个新的 KNN 分类器
	cls := knn.NewKnnClassifier("euclidean", "linear", 2)

	// 将数据划分为训练集和测试集
	trainData, testData := base.InstancesTrainTestSplit(rawData, 0.50)
	cls.Fit(trainData)

	// 计算欧氏距离并返回出现频率最高的标签
	predictions, err := cls.Predict(testData)
	if err != nil {
		panic(err)
	}

	// 输出精确率、召回率等指标
	confusionMat, err := evaluation.GetConfusionMatrix(testData, predictions)
	if err != nil {
		panic(fmt.Sprintf("无法获取混淆矩阵：%s", err.Error()))
	}
	fmt.Println(evaluation.GetSummary(confusionMat))
}

Iris-virginica	28	2	  56	0.9333	0.9333  0.9333
Iris-setosa	    29	0	  59	1.0000  1.0000	1.0000
Iris-versicolor	27	2	  57	0.9310	0.9310  0.9310
总体准确率：0.9545

示例

GoLearn 自带实用的示例代码，您可以直接运行并查看其工作原理。

cd $GOPATH/src/github.com/sjwhitworth/golearn/examples/knnclassifier
go run knnclassifier_iris.go

cd $GOPATH/src/github.com/sjwhitworth/golearn/examples/instances
go run instances.go

cd $GOPATH/src/github.com/sjwhitworth/golearn/examples/trees
go run trees.go

文档

• 英文
• 中文文档（简体）
• 中文文档（繁体）

加入我们

请发送邮件至 stephenjameswhitworth@gmail.com 与我们联系。

GoLearn 快速上手指南

GoLearn 是一个“开箱即用”的 Go 语言机器学习库，旨在兼顾简洁性与可定制性。它实现了类似 scikit-learn 的 Fit/Predict 接口，方便开发者快速替换算法进行实验。

环境准备

• 操作系统：Linux, macOS 或 Windows
• Go 版本：建议安装 Go 1.16 或更高版本
• 前置依赖：
  • 已配置好 GOPATH 和 GO111MODULE 环境
  • 确保网络通畅以拉取 GitHub 依赖（若在国内访问受限，建议配置 Go 代理）

国内加速方案（推荐）： 在终端执行以下命令设置 Go 模块代理，以加速依赖下载：

export GOPROXY=https://goproxy.cn,direct
# 或者永久生效
go env -w GOPROXY=https://goproxy.cn,direct

安装步骤

使用 Go Modules 初始化项目并安装 GoLearn：

mkdir my-ml-project
cd my-ml-project
go mod init my-ml-project
go get github.com/sjwhitworth/golearn@latest

基本使用

以下示例演示了如何加载 CSV 数据集（鸢尾花数据），划分训练/测试集，使用 KNN 分类器进行训练、预测并输出评估报告。

创建文件 main.go 并填入以下代码：

package main

import (
	"fmt"

	"github.com/sjwhitworth/golearn/base"
	"github.com/sjwhitworth/golearn/evaluation"
	"github.com/sjwhitworth/golearn/knn"
)

func main() {
	// 1. 加载数据
	// 将 CSV 解析为 Instances 对象（类似于 R 或 Pandas 中的 DataFrame）
	// 第二个参数 true 表示第一行是表头
	rawData, err := base.ParseCSVToInstances("datasets/iris.csv", true)
	if err != nil {
		panic(err)
	}

	// 打印数据摘要
	fmt.Println(rawData)

	// 2. 初始化模型
	// 创建一个 KNN 分类器：欧几里得距离，线性权重，K=2
	cls := knn.NewKnnClassifier("euclidean", "linear", 2)

	// 3. 划分训练集和测试集
	// 按 50% 比例拆分
	trainData, testData := base.InstancesTrainTestSplit(rawData, 0.50)
	
	// 4. 训练模型
	cls.Fit(trainData)

	// 5. 进行预测
	predictions, err := cls.Predict(testData)
	if err != nil {
		panic(err)
	}

	// 6. 评估结果
	// 获取混淆矩阵并打印精度/召回率等指标
	confusionMat, err := evaluation.GetConfusionMatrix(testData, predictions)
	if err != nil {
		panic(fmt.Sprintf("Unable to get confusion matrix: %s", err.Error()))
	}
	fmt.Println(evaluation.GetSummary(confusionMat))
}

运行前准备： 确保当前目录下存在 datasets/iris.csv 文件（可从 GoLearn 官方仓库 examples 目录获取），然后运行：

go run main.go

预期输出示例：

Iris-virginica	28	2	  56	0.9333	0.9333  0.9333
Iris-setosa	    29	0	  59	1.0000  1.0000	1.0000
Iris-versicolor	27	2	  57	0.9310	0.9310  0.9310
Overall accuracy: 0.9545