Abbiamo compilato una lista di 7 alternative gratuite e a pagamento a python auto-sklearn. I principali concorrenti includono H2O.ai, R Caret. Inoltre, gli utenti fanno anche confronti tra python auto-sklearn e R mlr, ML.NET, R MLstudio. Puoi anche dare un'occhiata ad altre opzioni simili qui: About.
Abbiamo compilato una lista di 7 alternative gratuite e a pagamento a python auto-sklearn. I principali concorrenti includono H2O.ai, R Caret. Inoltre, gli utenti fanno anche confronti tra python auto-sklearn e R mlr, ML.NET, R MLstudio. Puoi anche dare un'occhiata ad altre opzioni simili qui: About.
auto-sklearn è un toolkit di apprendimento automatico automatizzato.
auto-sklearn è un toolkit di apprendimento automatico automatizzato.
python auto-sklearn Piattaforme
Linux
Mac
Windows
python auto-sklearn Panoramica
auto-sklearn è un toolkit di machine learning automatizzato e un sostituto drop-in per uno stimatore scikit-learn. auto-sklearn libera un utente di machine learning dalla selezione dell'algoritmo e dalla messa a punto dell'iperparametro. Sfrutta i recenti vantaggi dell'ottimizzazione bayesiana, del meta-apprendimento e della costruzione di ensemble. Scopri di più sulla tecnologia alla base di auto-sklearn leggendo il nostro documento pubblicato al NIPS 2015. cappello))
Questo durerà per un'ora e dovrebbe comportare una precisione superiore a 0,98.
Licenza
auto-sklearn è concesso in licenza allo stesso modo di scikit-learn, ovvero la licenza BSD a 3 clausole. Citando auto-sklearn
Se utilizzi auto-sklearn in una pubblicazione scientifica, apprezzeremmo un riferimento al seguente documento:
Apprendimento automatico automatizzato efficiente e robusto, Feurer et al., Advances in Neural Information Processing Systems 28 (NIPS 2015).
Voce Bibtex:
@incollection {NIPS2015_5872, title = {Apprendimento automatico automatizzato efficiente e robusto}, autore = {Feurer, Matthias e Klein, Aaron e Eggensperger, Katharina e Springenberg, Jost e Blum, Manuel e Hutter, Frank}, booktitle = {Progressi nei sistemi di elaborazione delle informazioni neurali 28}, editor = {C. Cortes e ND Lawrence e DD Lee e M. Sugiyama e R. Garnett}, pagine = {2962--2970}, anno = {2015}, editore = {Curran Associates, Inc.}, url = { http://papers.nips.cc/paper/5872-efficient-and-robust-automated-machine-learning.pdf } }
contribuire
Apprezziamo tutto il contributo all'auto-apprendimento, dalle segnalazioni di errori e la documentazione alle nuove funzionalità. Se si desidera contribuire al codice, è possibile selezionare un problema dal tracker dei problemi contrassegnato con Contributo necessario.