遇到问题
再导入libmr模块时，导入失败
尝试使用pip install libmr安装，安装失败
查询原因是windows上pip安装找不到库，只能采取手动安装。
解决方法
下载libMR库文件
安装方法可以查看README文档
安装libmr之前需要安装Microsoft C++14或者更高的版本。
教程：pip 安装报错 required to install pyproject.toml-based projects
参考链接
Python-在Windows环境安装libMR
补充
库介绍
libMR介绍
libMR（即"Library for Machine learning on ROC space"）是一个用于在ROC空间进行机器学习的库，主要用于处理开集识别（Open Set Recognition）和相关问题。在开集识别中，通常需要区分已知类别和未知类别的数据，而libMR提供了一些工具和算法来帮助处理这种情况。
libMR应用
具体来说，libMR在开集识别中的应用可以包括以下方面：
- ROC空间方法: libMR专注于ROC（Receiver Operating Characteristic）空间的分析和方法。在开集识别中，ROC空间可以用来衡量分类器在已知和未知类别上的表现。
- 支持向量机（SVM）的扩展: libMR提供了对支持向量机（SVM）进行扩展的工具，用于处理开集识别问题。这些扩展可以帮助在ROC空间中实现更好的类别边界划分。
- 极值理论（EVT）的应用: libMR可以用于基于极值理论（EVT）的异常检测和未知类别识别。EVT通常用于估计尾部分布，这在开集识别中特别有用，因为我们关注的是未知类别在数据分布中的极端位置。
- 集成和评估: 该库可能还包括集成学习方法和开集识别模型的评估工具，帮助用户选择和优化最合适的模型。
相关应用
开集识别
在统计学和机器学习中，开集识别（Open Set Recognition）通常涉及到处理未知类别或者异常数据的问题。常用的一种方法是使用极值理论（Extreme Value Theory, EVT），特别是在处理开集识别时，可以用于估计尾部分布。
流程步骤
如果你在GitHub上查找开集识别的代码，大部分可能会涉及到使用EVT或者其他统计方法来处理这个问题。具体的实现代码可能会依赖于特定的算法和数据集，但是一般流程可能包括以下步骤：
- 数据准备: 准备包含已知类别和未知类别数据的数据集。
- 特征提取或学习: 对数据进行特征提取或者特征学习，以便后续分类或者异常检测。
- 开集识别算法: 实现具体的开集识别算法，可能包括基于距离、概率密度估计、模型置信度等方法。
- 极值理论或其他统计方法: 如果涉及到处理未知类别或异常数据，可能会使用EVT或其他统计方法来估计尾部分布或者异常阈值。
- 模型评估: 对开集识别模型进行评估和调优，以确保其在处理未知类别时的效果。
如果你有特定的需求或者数据集，可以在GitHub上搜索开集识别相关的代码库，例如使用关键词 “Open Set Recognition”、“EVT Open Set”、“Out-of-Distribution Detection” 等。查看代码库的文档和示例可能会帮助你理解如何实现开集识别并应用EVT或其他统计方法。
相关术语
Open Set：开集
Open Set Recognition, OSR：开集识别
Extreme Value Theory, EVT：极值理论
