Hemos compilado una lista de 6 alternativas gratuitas y de pago para R mlr. Los principales competidores incluyen H2O.ai, R Caret. Además de estos, los usuarios también realizan comparaciones entre R mlr y ML.NET, R MLstudio, python auto-sklearn. También puedes echar un vistazo a otras opciones similares aquí: About.
Hemos compilado una lista de 6 alternativas gratuitas y de pago para R mlr. Los principales competidores incluyen H2O.ai, R Caret. Además de estos, los usuarios también realizan comparaciones entre R mlr y ML.NET, R MLstudio, python auto-sklearn. También puedes echar un vistazo a otras opciones similares aquí: About.
Machine Learning en R: mlr, un marco para experimentos de machine learning en R.
Machine Learning en R: mlr, un marco para experimentos de machine learning en R.
R mlr Plataformas
Linux
Mac
Windows
R mlr Visión general
¡mlr proporciona esto para que pueda concentrarse en sus experimentos! El marco proporciona métodos supervisados como clasificación, regresión y análisis de supervivencia junto con sus correspondientes métodos de evaluación y optimización, así como métodos no supervisados como el agrupamiento. Está escrito de manera que puede extenderlo usted mismo o desviarse de los métodos de conveniencia implementados y sus propios experimentos complejos. El paquete está bien conectado con el paquete OpenML R, que tiene como objetivo admitir el aprendizaje colaborativo en línea y permite compartir fácilmente conjuntos de datos, así como tareas de aprendizaje automático, algoritmos y experimentos. Interfaz S3 clara para clasificación R, regresión, agrupamiento y métodos de análisis de supervivencia Posibilidad de ajustar, predecir, evaluar y volver a muestrear modelos Mecanismo de extensión fácil a través de la herencia S3 Descripción abstracta de alumnos y tareas por propiedades Sistema de parámetros para que los alumnos codifiquen tipos de datos y restricciones Muchos métodos de conveniencia y componentes básicos genéricos para sus experimentos de aprendizaje automático Métodos de remuestreo como bootstrapping, validación cruzada y submuestreo Amplias visualizaciones para, por ejemplo, curvas ROC, predicciones y predicciones parciales. Benchmarking de estudiantes para múltiples conjuntos de datos. Fácil ajuste de hiperparámetros mediante diferentes estrategias de optimización, incluidos potentes configuradores como F-racing iterado (irace) u optimización basada en modelos secuenciales Selección variable con filtros y envoltorios. Muestreo anidado de modelos con ajuste y selección de funciones Aprendizaje sensible al costo, ajuste de umbral y corrección de desequilibrio Mecanismo de envoltura para ampliar la funcionalidad del alumno de formas complejas y personalizadas Combine diferentes pasos de procesamiento en una compleja cadena de minería de datos que puede optimizarse conjuntamente Conector OpenML para el servidor Open Machine Learning Puntos de extensión para integrar tus propias cosas La paralelización está incorporada Examen de la unidad