Abbiamo compilato una lista di 5 alternative gratuite e a pagamento a R mlr. I principali concorrenti includono H2O.ai, R Caret. Inoltre, gli utenti fanno anche confronti tra R mlr e ML.NET, python auto-sklearn, R MLstudio. Puoi anche dare un'occhiata ad altre opzioni simili qui: About.
Abbiamo compilato una lista di 5 alternative gratuite e a pagamento a R mlr. I principali concorrenti includono H2O.ai, R Caret. Inoltre, gli utenti fanno anche confronti tra R mlr e ML.NET, python auto-sklearn, R MLstudio. Puoi anche dare un'occhiata ad altre opzioni simili qui: About.
Machine Learning in R: mlr, un framework per esperimenti di machine learning in R.
Machine Learning in R: mlr, un framework per esperimenti di machine learning in R.
R mlr Piattaforme
Linux
Mac
Windows
R mlr Panoramica
mlr fornisce questo in modo che tu possa concentrarti sui tuoi esperimenti! Il framework fornisce metodi supervisionati come classificazione, regressione e analisi di sopravvivenza insieme ai corrispondenti metodi di valutazione e ottimizzazione, nonché metodi senza supervisione come il clustering. È scritto in un modo che puoi estenderlo tu stesso o deviare dai metodi di praticità implementati e dai tuoi esperimenti complessi. Il pacchetto è ben collegato al pacchetto OpenML R, che mira a supportare l'apprendimento automatico collaborativo online e consente di condividere facilmente set di dati nonché attività, algoritmi ed esperimenti di apprendimento automatico. Chiara interfaccia S3 con metodi di classificazione R, regressione, clustering e analisi di sopravvivenza Possibilità di adattare, prevedere, valutare e ricampionare i modelli Semplice meccanismo di estensione tramite ereditarietà S3 Descrizione astratta di studenti e compiti per proprietà Sistema di parametri per gli studenti per codificare tipi di dati e vincoli Molti metodi di praticità e blocchi generici per i tuoi esperimenti di apprendimento automatico Metodi di ricampionamento come bootstrap, validazione incrociata e sottocampionamento Ampie visualizzazioni per es. Curve ROC, previsioni e previsioni parziali Analisi comparativa degli studenti per più set di dati Facile messa a punto dell'iperparametro utilizzando diverse strategie di ottimizzazione, inclusi potenti configuratori come F-racing (irace) iterato o ottimizzazione sequenziale basata su modelli Selezione variabile con filtri e wrapper Ricampionamento annidato di modelli con ottimizzazione e selezione delle funzioni Apprendimento sensibile ai costi, regolazione della soglia e correzione dello squilibrio Meccanismo di avvolgimento per estendere la funzionalità dello studente in modi complessi e personalizzati Combina diverse fasi di elaborazione in una complessa catena di data mining che può essere ottimizzata congiuntamente Connettore OpenML per il server Open Machine Learning Punti di estensione per integrare le tue cose La parallelizzazione è integrata Unit-test