Software
Wir haben eine Liste von 5 kostenlosen und kostenpflichtigen Alternativen zu R mlr zusammengestellt. Zu den Hauptkonkurrenten gehören H2O.ai, R Caret. Neben diesen vergleichen Benutzer auch R mlr mit ML.NET, python auto-sklearn, R MLstudio. Außerdem können Sie hier auch andere ähnliche Optionen ansehen: About.
Wir haben eine Liste von 5 kostenlosen und kostenpflichtigen Alternativen zu R mlr zusammengestellt. Zu den Hauptkonkurrenten gehören H2O.ai, R Caret. Neben diesen vergleichen Benutzer auch R mlr mit ML.NET, python auto-sklearn, R MLstudio. Außerdem können Sie hier auch andere ähnliche Optionen ansehen: About.
H2O ist ein Open Source, In-Memory, verteiltes, schnelles und skalierbares maschinelles Lernen und ...
Das Caret-Paket (kurz für _C_klassification _A_nd _RE_gression _T_raining) ist eine Reihe von Funktionen ...
Framework für maschinelles Lernen von Microsoft in .NET Framework und C #.
auto-sklearn ist ein Toolkit für automatisiertes maschinelles Lernen.
Das ML Studio ist interaktiv für EDA, statistische Modellierung und maschinelles Lernen.
Maschinelles Lernen in R: mlr, ein Framework für maschinelles Lernen in R.
Maschinelles Lernen in R: mlr, ein Framework für maschinelles Lernen in R.
Linux
Mac
Windows
mlr bietet dies, damit Sie sich auf Ihre Experimente konzentrieren können! Das Framework bietet überwachte Methoden wie Klassifikation, Regression und Überlebensanalyse sowie entsprechende Bewertungs- und Optimierungsmethoden und nicht überwachte Methoden wie Clustering. Es ist so geschrieben, dass Sie es selbst erweitern oder von den implementierten Convenience-Methoden und Ihren eigenen komplexen Experimenten abweichen können.
Das Paket ist sehr gut mit dem OpenML R-Paket verbunden, das das kollaborative maschinelle Lernen online unterstützen soll und den einfachen Austausch von Datensätzen sowie maschinellen Lernaufgaben, Algorithmen und Experimenten ermöglicht.
Klare S3-Schnittstelle zu R-Klassifizierungs-, Regressions-, Clustering- und Überlebensanalysemethoden
Möglichkeit, Modelle anzupassen, vorherzusagen, zu bewerten und neu zu berechnen
Einfacher Erweiterungsmechanismus durch S3-Vererbung
Abstrakte Beschreibung der Lernenden und Aufgaben nach Eigenschaften
Parametersystem für Lernende zum Codieren von Datentypen und Einschränkungen
Viele praktische Methoden und allgemeine Bausteine für Ihre Experimente mit maschinellem Lernen
Resampling-Methoden wie Bootstrapping, Cross-Validation und Subsampling
Umfangreiche Visualisierungen für zB ROC-Kurven, Vorhersagen und Teilvorhersagen
Benchmarking von Lernenden für mehrere Datensätze
Einfaches Hyperparameter-Tuning mit verschiedenen Optimierungsstrategien, einschließlich leistungsstarker Konfiguratoren wie iteriertem F-Racing (irace) oder sequentieller modellbasierter Optimierung
Variable Auswahl mit Filtern und Wrappern
Verschachteltes Resampling von Modellen mit Optimierung und Funktionsauswahl
Kostensensitives Lernen, Schwellwertabstimmung und Ungleichgewichtskorrektur
Wrapper-Mechanismus zur Erweiterung der Lernfunktionalität auf komplexe und benutzerdefinierte Weise
Kombinieren Sie verschiedene Verarbeitungsschritte zu einer komplexen Data-Mining-Kette, die gemeinsam optimiert werden kann
OpenML-Connector für den Open Machine Learning-Server
Erweiterungspunkte, um Ihre eigenen Sachen zu integrieren
Die Parallelisierung ist eingebaut
Unit-Test
Machine Learning
Teilen Sie Ihre Meinung zur Software, hinterlassen Sie eine Bewertung und helfen Sie dabei, sie noch besser zu machen!
Änderungen vorschlagen
Ihr Feedback
Your vote has been counted.
Do you have experience using this software?
