Oto lista 7 bezpłatnych i płatnych alternatyw dla python auto-sklearn. Główni konkurenci obejmują H2O.ai, ML.NET. Oprócz tego, użytkownicy porównują także python auto-sklearn z prevision.io, R Caret, R mlr. Ponadto można spojrzeć na inne podobne opcje tutaj: About.
Oto lista 7 bezpłatnych i płatnych alternatyw dla python auto-sklearn. Główni konkurenci obejmują H2O.ai, ML.NET. Oprócz tego, użytkownicy porównują także python auto-sklearn z prevision.io, R Caret, R mlr. Ponadto można spojrzeć na inne podobne opcje tutaj: About.
auto-sklearn to zautomatyzowany zestaw narzędzi do uczenia maszynowego.
auto-sklearn to zautomatyzowany zestaw narzędzi do uczenia maszynowego.
python auto-sklearn Platformy
Windows
Linux
Mac
python auto-sklearn Przegląd
auto-sklearn to zautomatyzowany zestaw narzędzi do uczenia maszynowego i zastępcze narzędzie do estymacji scikit-learn. funkcja auto-sklearn uwalnia użytkownika uczącego się od maszyn do wyboru algorytmu i dostrajania hiperparametrów. Wykorzystuje najnowsze zalety optymalizacji bayesowskiej, meta-uczenia się i budowy zespołów. Dowiedz się więcej o technologii automatycznego uczenia się, czytając nasz artykuł opublikowany na NIPS 2015. kapelusz))
Będzie to działać przez godzinę i powinno skutkować dokładnością powyżej 0,98.
Licencja
auto-sklearn jest licencjonowany w taki sam sposób jak scikit-learn, a mianowicie 3-klauzulowa licencja BSD. Powołując się na auto-sklearn
Jeśli użyjesz auto-sklearn w publikacji naukowej, będziemy wdzięczni za odniesienie do następującego artykułu:
Wydajne i niezawodne zautomatyzowane uczenie maszynowe, Feurer i in., Advances in Neural Information Processing Systems 28 (NIPS 2015).
Wpis Bibtex:
@incollection {NIPS2015_5872, title = {Wydajne i niezawodne zautomatyzowane uczenie maszynowe}, autor = {Feurer, Matthias and Klein, Aaron and Eggensperger, Katharina i Springenberg, Jost and Blum, Manuel and Hutter, Frank}, booktitle = {Postępy w systemach przetwarzania informacji neuronowych 28}, edytor = {C. Cortes i ND Lawrence oraz DD Lee, M. Sugiyama i R. Garnett}, strony = {2962--2970}, rok = {2015}, publisher = {Curran Associates, Inc.}, url = { http://papers.nips.cc/paper/5872-efficient-and-robust-automated-machine-learning.pdf } }
Wnosząc wkład
Dziękujemy za wkład w automatyczne uczenie się, od raportów o błędach i dokumentacji po nowe funkcje. Jeśli chcesz wziąć udział w tworzeniu kodu, możesz wybrać problem z narzędzia do śledzenia problemów oznaczonego jako Needs contributer.