Nós compilamos uma lista de 6 alternativas gratuitas e pagas para o R mlr. Os principais concorrentes incluem: H2O.ai, R Caret. Além disso, os usuários também fazem comparações entre R mlr e ML.NET, R MLstudio, python auto-sklearn. Além disso, você pode conferir outras opções semelhantes aqui: About.
Nós compilamos uma lista de 6 alternativas gratuitas e pagas para o R mlr. Os principais concorrentes incluem: H2O.ai, R Caret. Além disso, os usuários também fazem comparações entre R mlr e ML.NET, R MLstudio, python auto-sklearn. Além disso, você pode conferir outras opções semelhantes aqui: About.
Machine Learning em R: mlr, uma estrutura para experimentos de machine learning em R.
Machine Learning em R: mlr, uma estrutura para experimentos de machine learning em R.
R mlr Plataformas
Linux
Mac
Windows
R mlr Visão geral
O mlr fornece isso para que você possa se concentrar em seus experimentos! A estrutura fornece métodos supervisionados, como classificação, regressão e análise de sobrevivência, juntamente com os métodos correspondentes de avaliação e otimização, além de métodos não supervisionados, como clustering. Está escrito de uma maneira que você pode estender por conta própria ou desviar-se dos métodos de conveniência implementados e de seus próprios experimentos complexos. O pacote está bem conectado ao pacote OpenML R, que visa oferecer suporte ao aprendizado colaborativo de máquinas on-line e permite compartilhar facilmente conjuntos de dados, bem como tarefas, algoritmos e experimentos de aprendizado de máquina. Interface S3 clara para os métodos de classificação R, regressão, agrupamento e análise de sobrevivência Possibilidade de ajustar, prever, avaliar e reamostrar modelos Mecanismo de extensão fácil através da herança S3 Descrição abstrata de alunos e tarefas por propriedades Sistema de parâmetros para os alunos codificarem tipos e restrições de dados Muitos métodos de conveniência e componentes genéricos para seus experimentos de aprendizado de máquina Métodos de reamostragem, como inicialização, validação cruzada e subamostragem Visualizações abrangentes para, por exemplo, curvas ROC, previsões e previsões parciais Comparação de alunos para vários conjuntos de dados Fácil ajuste de hiperparâmetros usando diferentes estratégias de otimização, incluindo configuradores potentes como F-racing iterado (irace) ou otimização sequencial baseada em modelo Seleção variável com filtros e invólucros Reamostragem aninhada de modelos com ajuste e seleção de recursos Aprendizagem sensível a custos, ajuste de limiar e correção de desequilíbrio Mecanismo de invólucro para estender a funcionalidade do aluno de maneiras complexas e personalizadas Combine diferentes etapas de processamento a uma cadeia complexa de mineração de dados que pode ser otimizada em conjunto Conector OpenML para o servidor Open Machine Learning Pontos de extensão para integrar seu próprio material A paralelização é integrada Teste de unidade