Мы составили список из 6 бесплатных и платных аналогов R mlr. Основные конкуренты: H2O.ai, ML.NET. Кроме того, пользователи также проводят сравнения между R mlr и R Caret, python auto-sklearn, R MLstudio. Также вы можете рассмотреть другие аналогичные варианты здесь: About.
Мы составили список из 6 бесплатных и платных аналогов R mlr. Основные конкуренты: H2O.ai, ML.NET. Кроме того, пользователи также проводят сравнения между R mlr и R Caret, python auto-sklearn, R MLstudio. Также вы можете рассмотреть другие аналогичные варианты здесь: About.
Машинное обучение в R: mlr, основа для экспериментов по машинному обучению в R.
Машинное обучение в R: mlr, основа для экспериментов по машинному обучению в R.
R mlr Платформы
Linux
Mac
Windows
R mlr Обзор
MLR обеспечивает это, чтобы вы могли сосредоточиться на своих экспериментах! Эта структура обеспечивает контролируемые методы, такие как классификация, регрессия и анализ выживания, а также соответствующие методы оценки и оптимизации, а также неконтролируемые методы, такие как кластеризация. Он написан так, что вы можете расширить его самостоятельно или отклониться от реализованных удобных методов и ваших собственных сложных экспериментов. Пакет хорошо связан с пакетом OpenML R, который предназначен для поддержки совместного машинного обучения в режиме онлайн и позволяет легко обмениваться наборами данных, а также задачами, алгоритмами и экспериментами машинного обучения. Четкий интерфейс S3 к методам классификации, регрессии, кластеризации и выживания R Возможность подгонки, прогнозирования, оценки и повторной выборки моделей Простой механизм расширения благодаря наследованию S3 Абстрактное описание учащихся и задач по свойствам Система параметров для учащихся для кодирования типов данных и ограничений Множество удобных методов и типовых строительных блоков для ваших экспериментов по машинному обучению Методы повторной выборки, такие как начальная загрузка, перекрестная проверка и дополнительная выборка Обширная визуализация, например, для кривых ROC, прогнозов и частичных прогнозов Бенчмаркинг учеников для нескольких наборов данных Простая настройка гиперпараметров с использованием различных стратегий оптимизации, включая мощные конфигураторы, такие как повторные F-гонки (Irace) или последовательная оптимизация на основе моделей Выбор переменной с фильтрами и обертками Вложенная повторная выборка моделей с настройкой и выбором функций Обучение с учетом затрат, настройка порогов и коррекция дисбаланса Механизм Wrapper для расширения функциональных возможностей ученика сложным и индивидуальным способом Объедините различные этапы обработки в сложную цепочку интеллектуального анализа данных, которую можно совместно оптимизировать Коннектор OpenML для сервера Open Machine Learning Точки расширения для интеграции ваших собственных вещей Распараллеливание встроено Unit-тестирование