Oprogramowanie
Oto lista 6 bezpłatnych i płatnych alternatyw dla R mlr. Główni konkurenci obejmują H2O.ai, ML.NET. Oprócz tego, użytkownicy porównują także R mlr z R Caret, python auto-sklearn, R MLstudio. Ponadto można spojrzeć na inne podobne opcje tutaj: About.
Oto lista 6 bezpłatnych i płatnych alternatyw dla R mlr. Główni konkurenci obejmują H2O.ai, ML.NET. Oprócz tego, użytkownicy porównują także R mlr z R Caret, python auto-sklearn, R MLstudio. Ponadto można spojrzeć na inne podobne opcje tutaj: About.
H2O to open source, w pamięci, rozproszone, szybkie i skalowalne uczenie maszynowe i predykcyjne ...
Pakiet Caret (skrót od _C_lassification _A_nd _RE_gression _T_raining) to zestaw funkcji ...
auto-sklearn to zautomatyzowany zestaw narzędzi do uczenia maszynowego.
ML Studio jest interaktywny dla aplikacji EDA, modelowania statystycznego i uczenia maszynowego.
Zostań przedsiębiorstwem napędzanym sztuczną inteligencją dzięki zautomatyzowanemu uczeniu maszynowemu
Uczenie maszynowe w języku R: mlr, struktura eksperymentów uczenia maszynowego w języku R.
Uczenie maszynowe w języku R: mlr, struktura eksperymentów uczenia maszynowego w języku R.
Windows
Linux
Mac
MLR zapewnia to, abyś mógł skoncentrować się na swoich eksperymentach! Ramy zapewniają nadzorowane metody, takie jak klasyfikacja, regresja i analiza przeżycia, wraz z odpowiadającymi im metodami oceny i optymalizacji, a także metody nienadzorowane, takie jak grupowanie. Jest napisany w taki sposób, że możesz go rozszerzyć samodzielnie lub odejść od zaimplementowanych metod wygody i własnych złożonych eksperymentów.
Pakiet jest ładnie połączony z pakietem OpenML R, który ma na celu wspieranie współpracy uczenia maszynowego online i pozwala na łatwe udostępnianie zestawów danych, a także zadań uczenia maszynowego, algorytmów i eksperymentów.
Przejrzysty interfejs S3 do metod klasyfikacji R, regresji, grupowania i analizy przeżycia
Możliwość dopasowania, przewidywania, oceny i ponownego próbkowania modeli
Łatwy mechanizm przedłużania dzięki dziedziczeniu S3
Streszczenie opisu uczniów i zadań według właściwości
System parametrów dla uczących się do kodowania typów danych i ograniczeń
Wiele metod wygody i ogólnych bloków konstrukcyjnych dla eksperymentów uczenia maszynowego
Metody ponownego próbkowania, takie jak ładowanie, walidacja krzyżowa i podpróbkowanie
Rozbudowane wizualizacje np. Krzywych ROC, prognoz i prognoz częściowych
Benchmarking uczniów dla wielu zestawów danych
Łatwe dostrajanie hiperparametrów przy użyciu różnych strategii optymalizacji, w tym potężnych konfiguratorów, takich jak iterowane wyścigi F (irace) lub sekwencyjna optymalizacja oparta na modelu
Zmienny wybór z filtrami i opakowaniami
Zagnieżdżone ponowne próbkowanie modeli z tuningiem i wyborem funkcji
Uczenie wrażliwe na koszty, dostrajanie progów i korekta nierównowagi
Mechanizm owijania w celu rozszerzenia funkcjonalności ucznia w złożony i niestandardowy sposób
Łącz różne etapy przetwarzania w złożony łańcuch eksploracji danych, który można wspólnie zoptymalizować
Łącznik OpenML dla serwera Open Machine Learning
Punkty rozszerzenia do zintegrowania własnych rzeczy
Równoległość jest wbudowana
Testów jednostkowych
Machine Learning
Podziel się swoją opinią na temat oprogramowania, napisz recenzję i pomóż jeszcze bardziej je ulepszyć!
Zaproponuj zmiany
Twoja opinia
Your vote has been counted.
Do you have experience using this software?
