Software
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 H2O é um aprendizado de máquina de código aberto, na memória, distribuído, rápido e escalável e preditivo ...
O pacote de interpolação (abreviação de _C_lassification _A_nd _RE_gression _T_raining) é um conjunto de funções ...
Machine Learning em R: mlr, uma estrutura para experimentos de machine learning em R.
O ML Studio é interativo para EDA, modelagem estatística e aplicativos de aprendizado de máquina.
"Prever, gerenciar de maneira inteligente, interpretar comportamentos, automatizar, Prevision.
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.
Linux
Mac
Windows
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.
Machine Learning
Compartilhe sua opinião sobre o software, deixe uma avaliação e ajude a torná-lo ainda melhor!
Sugerir alterações
Seu feedback
Your vote has been counted.
Do you have experience using this software?
