Nous avons compilé une liste de 7 alternatives gratuites et payantes à python auto-sklearn. Les principaux concurrents incluent H2O.ai, ML.NET. En plus de cela, les utilisateurs établissent également des comparaisons entre python auto-sklearn et prevision.io, R Caret, R mlr. Vous pouvez également consulter d'autres choix similaires ici : About.
Nous avons compilé une liste de 7 alternatives gratuites et payantes à python auto-sklearn. Les principaux concurrents incluent H2O.ai, ML.NET. En plus de cela, les utilisateurs établissent également des comparaisons entre python auto-sklearn et prevision.io, R Caret, R mlr. Vous pouvez également consulter d'autres choix similaires ici : About.
auto-sklearn est une boîte à outils d'apprentissage automatique.
auto-sklearn est une boîte à outils d'apprentissage automatique.
python auto-sklearn Plates-formes
Windows
Linux
Mac
python auto-sklearn Description
auto-sklearn est une boîte à outils d’apprentissage automatique automatisée qui remplace l’estimateur scikit-learn. auto-sklearn libère un utilisateur d'apprentissage machine de la sélection d'algorithmes et du réglage d'hyperparamètre. Il tire parti des récents avantages en matière d'optimisation bayésienne, de méta-apprentissage et de construction d'ensemble. Pour en savoir plus sur la technologie derrière l'auto-apprentissage, consultez notre article publié au NIPS 2015. chapeau))
Cela durera une heure et devrait donner une précision supérieure à 0,98.
Licence
auto-sklearn est concédé sous licence de la même manière que scikit-learn, à savoir la licence BSD à 3 clauses. Citant auto-sklearn
Si vous utilisez auto-sklearn dans une publication scientifique, nous vous serions reconnaissants de faire référence au document suivant:
Apprentissage automatique automatisé, efficace et robuste, Feurer et al., Progrès des systèmes de traitement de l'information neuronale 28 (NIPS 2015).
Entrée Bibtex:
@incollection {NIPS2015_5872, title = {Apprentissage automatique automatisé efficace et robuste}, auteur = {Feurer, Matthias et Klein, Aaron et Eggensperger, Katharina et Springenberg, Jost et Blum, Manuel et Hutter, Frank}, booktitle = {Progrès des systèmes de traitement d'informations neuronaux 28}, éditeur = {C. Cortes et ND Lawrence et DD Lee et M. Sugiyama et R. Garnett}, pages = {2962--2970}, année = {2015}, éditeur = {Curran Associates, Inc.}, url = { http://papers.nips.cc/paper/5872-efficient-and-robust-automated-machine-learning.pdf } }
Contribuant
Nous apprécions toute contribution à l'autoapprentissage, des rapports de bogues et de la documentation aux nouvelles fonctionnalités. Si vous souhaitez contribuer au code, vous pouvez choisir un problème dans le suivi des problèmes qui est marqué avec Needs contributer.