Alternatives à R mlr

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

Afficher plus