Metadata-Version: 2.4
Name: mdquantumlite2
Version: 0.1.0
Summary: A lightweight quantum-enhanced regression model based on LightGBM
Home-page: https://github.com/Parham-Dehghan/MD_library
Author: Parham Dehghan
Author-email: dehghanparham6@gmail.com
Classifier: Programming Language :: Python :: 3
Classifier: Programming Language :: Python :: 3.8
Classifier: Programming Language :: Python :: 3.9
Classifier: Programming Language :: Python :: 3.10
Classifier: Programming Language :: Python :: 3.11
Classifier: Programming Language :: Python :: 3.12
Classifier: License :: OSI Approved :: MIT License
Classifier: Operating System :: OS Independent
Requires-Python: >=3.8
Description-Content-Type: text/markdown
License-File: LICENSE
Requires-Dist: numpy>=1.20
Requires-Dist: pandas>=1.3
Requires-Dist: scikit-learn>=1.0
Requires-Dist: scipy>=1.7
Requires-Dist: lightgbm>=3.0
Provides-Extra: quantum
Requires-Dist: pennylane>=0.20; extra == "quantum"
Dynamic: author
Dynamic: author-email
Dynamic: classifier
Dynamic: description
Dynamic: description-content-type
Dynamic: home-page
Dynamic: license-file
Dynamic: provides-extra
Dynamic: requires-dist
Dynamic: requires-python
Dynamic: summary

# MDQuantumLite

A lightweight machine learning library for regression tasks, enhanced with optional quantum features using Pennylane. Based on LightGBM with GOSS sampling and target encoding.

## Installation
```bash
pip install mdquantumlite

MDQuantumLite/  # فولدر اصلی پروژه (می‌تونی این رو به MD_library تغییر بدی اگر بخشی از ریپو بزرگتر باشه)
├── mdquantumlite/  # فولدر پکیج (اینجا کد اصلی می‌ره)
│   ├── __init__.py  # برای ایمپورت: from mdquantumlite import MDQuantumLite
│   ├── mdquantum_lite.py  # کد اصلی کلاس‌ها (از APP1.PY منتقل شده، بدون تابع تست)
│   └── quantum_feature.py  # کلاس QuantumFeature رو جدا کردم برای تمیزتر شدن
├── tests/  # فولدر تست‌ها
│   └── test_mdquantum_lite.py  # تابع تست از APP1.PY
├── setup.py  # فایل نصب (مهم‌ترین فایل برای PyPI)
├── README.md  # توضیح پروژه
├── LICENSE  # لایسنس (مثلاً MIT)
├── MANIFEST.in  # برای شامل کردن فایل‌های غیرپایتون (اختیاری)
├── requirements.txt  # لیست dependencies برای توسعه (اختیاری، اما خوب است)
└── .gitignore  # برای نادیده گرفتن فایل‌های موقتی مثل __pycache__


from mdquantumlite import MDQuantumLite

model = MDQuantumLite(use_quantum_features=True)
model.fit(X, y)
predictions = model.predict(X_test)
