smile

Java开发者一站式机器学习工具箱，高效构建智能应用

Smile是一个基于Java的统计机器智能与学习引擎，专注于提供全面、高效的机器学习与数据挖掘工具。它解决了Java生态中缺乏功能完整且性能优异的ML库的问题，核心能力包括丰富的机器学习算法（如分类、回归、聚类、关联规则）、自然语言处理、高维数据可视化、线性代数与数值计算基础。Smile设计上强调易用性与性能，提供简洁的API，支持从数据预处理到模型评估的完整流程，并集成了与Hadoop、Spark等大数据框架的交互能力，适合在Java/ JVM环境中构建生产级智能应用。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 6415

维护状态活跃

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队haifengl

所属国家

官网地址https://haifengl.github.io

GitHubhttps://github.com/haifengl/smile

定价模式free

价格说明开源项目，无官网，需自行部署，完全免费。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Java

技术栈/模型classification,clustering,computer-algebra-system,computer-vision,data-science,dataframe,deep-learning,genetic-algorithm,interpolation,linear-algebra,llm,machine-learning,manifold-learning,multidimensional-scaling,nearest-neighbor-search,nlp,regression,statistics,visualization,wavelet

GitHub 星标★ 6415

30天Star增速

HF 下载量

上线时间2014-11-20 00:00:00

最近更新2026-09-21 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

难度：进阶约 10 分钟部署方式：库/依赖 6 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Java 25（SMILE v5+）
Java 21（SMILE v4.x）或 Java 8（更早版本）
构建工具之一：Maven、SBT（Scala）或 Gradle（Kotlin）
可选：BLAS / LAPACK 原生库

安装与启动步骤

1确认 Java 版本

SMILE v5+ 要求 Java 25，v4.x 要求 Java 21，更早版本要求 Java 8，先确认本机 JDK 版本与所选 SMILE 版本匹配。
```
java -version
```
2获取源码

从 GitHub 克隆 SMILE 仓库到本地，便于查看示例代码与测试数据文件。
```
git clone https://github.com/haifengl/smile.git
```
3选择依赖方式

README 的 Installation 章节列出了 Maven、SBT（Scala）、Gradle（Kotlin）三种引入方式，但未给出具体依赖坐标，请按官网指引填写。
4配置原生加速库

README 将 Native Libraries（BLAS / LAPACK）列为可选安装项，用于加速线性代数运算，具体安装步骤需参考官网文档。
5运行快速开始示例

在项目中引入依赖后，运行 README 的 Java 示例：读取 iris.csv、用 RandomForest 训练并预测第一条样本类别。
6探索 Studio 与扩展示例

SMILE Studio 是面向数据科学的智能体 IDE，支持 Python/Java/Scala；深度学习与可视化示例分别见 deep/README.md 与 plot/README.md。

如何确认成功

运行 Quick Start 示例，能读取 iris.csv 完成随机森林训练，并输出预测类别即为成功。

常见问题

Q：应该用哪个 Java 版本？

A：SMILE v5+ 需要 Java 25，v4.x 需要 Java 21，在此之前的所有版本需要 Java 8，版本不匹配会导致编译或运行失败。

Q：Maven / SBT / Gradle 的依赖坐标是什么？

A：README 的 Installation 章节只列出了这三种方式，未给出具体坐标与版本号，请到官网 haifengl.github.io 查询对应版本的依赖写法。

Q：一定要安装 BLAS / LAPACK 吗？

A：README 把 Native Libraries (BLAS / LAPACK) 作为安装章节的一项列出，属于可选的原生加速部分，具体安装方式见官网说明。

Q：SMILE Studio 是什么、怎么开始？

A：它是使用 Python、Java 或 Scala 做数据科学的智能体 IDE，可按 studio/README.md 的说明快速建立第一个项目并用自然语言交互。

注意事项

README 的 Installation 章节只有标题，没有具体依赖坐标和命令，实际集成需查阅官网。
Quick Start 示例读取的是 src/test/resources/iris.csv，需在仓库源码目录下运行才能找到该文件。
除 Java 外，SMILE 还提供 Scala 和 Kotlin 的惯用 API，可按团队技术栈选择。
SMILE 支持与 Hadoop、Spark 等大数据框架交互，适用于 JVM 上的生产级应用。

核心亮点

算法覆盖全面，包含分类、回归、聚类、关联规则、NLP等主流ML算法
提供高性能数值计算与线性代数底层，支持大规模数据高效处理
API设计简洁直观，与Java生态无缝集成，降低学习成本

不足之处

文档相对简略，部分高级用法需查阅源码或社区讨论
社区活跃度一般，更新频率较慢，新算法跟进不迅速

适用场景

在Java后端服务中嵌入机器学习模型，如推荐系统、风控引擎
基于JVM的大数据平台（如Spark、Flink）中执行数据挖掘任务
科研或教育场景中快速原型验证统计与ML算法

替代项目

Weka、Java-ML、Apache Mahout

项目介绍

smile 是开发框架领域的开源项目，由 haifengl 开发，2014 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（6,415）位列前 8%，在开发框架分类的 795 个项目里位列前 8%。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-21。无官网，需自行部署，完全免费。

它主要面向的使用场景是：在Java后端服务中嵌入机器学习模型，如推荐系统、风控引擎。同类可对比的替代方案包括 Weka、Java-ML、Apache Mahout。

上一篇：TypeChat

下一篇：fragments