Nós compilamos uma lista de 7 alternativas gratuitas e pagas para o python auto-sklearn. Os principais concorrentes incluem: H2O.ai, R Caret. Além disso, os usuários também fazem comparações entre python auto-sklearn e R mlr, ML.NET, R MLstudio. Além disso, você pode conferir outras opções semelhantes aqui: About.
Nós compilamos uma lista de 7 alternativas gratuitas e pagas para o python auto-sklearn. Os principais concorrentes incluem: H2O.ai, R Caret. Além disso, os usuários também fazem comparações entre python auto-sklearn e R mlr, ML.NET, R MLstudio. Além disso, você pode conferir outras opções semelhantes aqui: About.
O auto-sklearn é um kit de ferramentas de aprendizado de máquina automatizado.
O auto-sklearn é um kit de ferramentas de aprendizado de máquina automatizado.
python auto-sklearn Plataformas
Linux
Mac
Windows
python auto-sklearn Visão geral
O auto-sklearn é um kit de ferramentas de aprendizado de máquina automatizado e um substituto para um estimador de aprendizado de scikit. O auto-sklearn libera um usuário de aprendizado de máquina da seleção de algoritmos e do ajuste de hiperparâmetros. Ele aproveita as vantagens recentes em otimização bayesiana, meta-aprendizado e construção de conjuntos. Saiba mais sobre a tecnologia por trás do auto-sklearn lendo nosso artigo publicado no NIPS 2015. chapéu))
Isso funcionará por uma hora e resultará em uma precisão acima de 0,98.
Licença
O auto-sklearn é licenciado da mesma maneira que o scikit-learn, a saber, a licença BSD de 3 cláusulas. Citando o auto-sklearn
Se você usar o auto-sklearn em uma publicação científica, gostaríamos de fazer uma referência ao seguinte artigo:
Aprendizado de máquina automatizado eficiente e robusto, Feurer et al., Avanços em sistemas de processamento de informações neurais 28 (NIPS 2015).
Entrada Bibtex:
@incollection {NIPS2015_5872, title = {Aprendizado de máquina automatizado eficiente e robusto}, author = {Feurer, Matthias e Klein, Aaron e Eggensperger, Katharina e Springenberg, Jost e Blum, Manuel e Hutter, Frank}, booktitle = {Avanços nos sistemas de processamento de informações neurais 28}, editor = {C. Cortes e ND Lawrence e DD Lee e M. Sugiyama e R. Garnett}, pages = {2962--2970}, ano = {2015}, editor = {Curran Associates, Inc.}, url = { http://papers.nips.cc/paper/5872-efficient-and-robust-automated-machine-learning.pdf } }
Contribuindo
Agradecemos toda a contribuição ao auto-sklearn, desde relatórios de erros e documentação até novos recursos. Se você quiser contribuir com o código, poderá escolher um problema no rastreador de problemas, marcado com Necessita de colaborador.