Easy-Classify是一个基于python的sklearn包，自动生成二分类Excel实验报告和ROC值的小脚本，是二分类集成分类器的良好解决方案。分类器目前集成：
NearestNeighbors
Bagging
GradientBoosting
SGD
LibSVM
LinearSVM
SMO
LinearSVC
DecisionTree
RandomForest
AdaBoost
NaiveBayes
NeuralNetwork
......
运行环境python2.7及其基础科学计算包numpy、scipy、pandas；
python的scikit-learn包用于跑分类器：
pip install scikit-learnpython的scikit-neuralnetwork包用于跑神经网络：
pip install scikit-neuralnetworkpython的xlwt用于写入excel结果报告：
pip intall xlwt输入输出输入：包含全部正反例的libsvm或arff格式文件，支持多文件混合输入。文件正反例标签为{0,1}，arff格式为weka软件默认格式，libsvm格式如：
1 1:7.964601769911504 2:0.8849557522123894 3:1.1799410029498525 0 1:9.583333333333334 2:0.8333333333333334 3:4.1666666666666660 1 1:6.427423674343867 2:0.8569898232458489 3:5.9989287627209430 0 1:12.50000000000000 2:2.2727272727272730 3:5.1136363636363640输出：
easy_classify.py:输出Excel实验表格，如results.xls文件所示
easy_roc.py:输出pdf格式的roc曲线图数据表，如ROC.xls文件所示
使用命令1.easy_classify.py专用于生成excel实验报告：必选参数：
# 交叉验证如：python easy_classify.py -i train.libsvm -c 10# 训练测如：python easy_classify.py -i train.libsvm -t 0.25-i：输入的arff或libsvm格式文件，支持混输。如：-itrain.libsvm,train2.arff，注意文件之间用英文,连接；
-c或-t：-c为交叉验证模式，值为交叉验证折数，如-c5，默认为5；-t为训练测试模式，值为训练集测试集分割比例，如-t0.33，默认为0.33.
可选参数：
-o：指定输出excel文件名。默认为results.xls。
-s：是否寻找最佳分类器参数。0为不寻找，1为寻找。默认为0。
-m：是否并行运算，1GB以上大数据集不推荐使用。0为单线程运算，1为多线程并行运算，线程数是同时运行的分类器数，适合CPU和内存资源强大的用户。默认为1。
帮助：
python easy_classify.py -h2.easy_roc.py专用于生成绘制ROC曲线图需要的数据（只支持交叉验证）：交叉验证：
python easy_roc.py -i {input_file.libsvm} -c {int: cross validate folds} # 单文件命令如：python easy_roc.py -i train.libsvm -c 5 # 多文件命令如：python easy_roc.py -i train.libsvm,train2.libsvm -c 5帮助：
python easy_roc.py -h升级日志2016-08-08，version0.20:
完成基本功能框架，集成主要分类器
自动生成测试报告
支持并行
2016-08-12，version0.40：
增加神经网络等更多分类器
增加分类器参数自动调优
支持多种文件同时输入
2016-09-15，version0.50：
增加ROC曲线图输出数据
2016-10-26，version0.60：
更好地支持并行
增加参数可选
修复一些bug
评论