Nous avons compilé une liste de 6 alternatives gratuites et payantes à R mlr. Les principaux concurrents incluent H2O.ai, ML.NET. En plus de cela, les utilisateurs établissent également des comparaisons entre R mlr et R Caret, python auto-sklearn, R MLstudio. Vous pouvez également consulter d'autres choix similaires ici : About.
Nous avons compilé une liste de 6 alternatives gratuites et payantes à R mlr. Les principaux concurrents incluent H2O.ai, ML.NET. En plus de cela, les utilisateurs établissent également des comparaisons entre R mlr et R Caret, python auto-sklearn, R MLstudio. Vous pouvez également consulter d'autres choix similaires ici : About.
Machine Learning in R: mlr, un cadre pour des expériences d’apprentissage automatique en R.
Machine Learning in R: mlr, un cadre pour des expériences d’apprentissage automatique en R.
R mlr Plates-formes
Windows
Linux
Mac
R mlr Description
mlr fournit cela pour que vous puissiez vous concentrer sur vos expériences! Le cadre fournit des méthodes supervisées telles que la classification, la régression et l'analyse de la survie, ainsi que leurs méthodes d'évaluation et d'optimisation correspondantes, ainsi que des méthodes non supervisées telles que le clustering. Il est écrit de manière à pouvoir l'étendre vous-même ou à vous écarter des méthodes pratiques mises en œuvre et de vos propres expériences complexes. package est bien connecté au package OpenML R, qui vise à prendre en charge l’apprentissage collaboratif en ligne et permet de partager facilement des jeux de données ainsi que des tâches, des algorithmes et des expériences d’apprentissage automatique. Interface claire de S3 avec les méthodes d'analyse de classification, de régression, de classification et de survie de R Possibilité d'ajuster, prévoir, évaluer et rééchantillonner les modèles Mécanisme d'extension facile grâce à l'héritage S3 Description abstraite des apprenants et des tâches par propriétés Système de paramètres permettant aux apprenants de coder des types de données et des contraintes Nombreuses méthodes pratiques et blocs de construction génériques pour vos expériences d’apprentissage automatique Méthodes de rééchantillonnage telles que l’amorçage, la validation croisée et le sous-échantillonnage Visualisations étendues pour, par exemple, les courbes ROC, les prédictions et les prédictions partielles Analyse comparative des apprenants pour plusieurs ensembles de données Réglage hyperparamètre facile à l'aide de différentes stratégies d'optimisation, y compris de puissants configurateurs tels que l'optimisation itérative de type F-racing (irace) ou séquentielle Sélection variable avec filtres et wrappers Rééchantillonnage imbriqué de modèles avec réglage et sélection de fonctionnalités Apprentissage sensible au coût, réglage du seuil et correction de déséquilibre Mécanisme d'encapsulation pour étendre les fonctionnalités de l'apprenant de manière complexe et personnalisée Combinez différentes étapes de traitement en une chaîne d’exploration de données complexe pouvant être optimisée conjointement Connecteur OpenML pour le serveur Open Machine Learning Points d'extension pour intégrer vos propres éléments La parallélisation est intégrée Tests unitaires