Description

mlr proporciona esto para que puedas enfocarte en tus experimentos! El marco proporciona métodos supervisados como clasificación, regresión y análisis de supervivencia, junto con sus correspondientes métodos de evaluación y optimización, así como métodos no supervisados como agrupación. Está escrito de manera que puede extenderlo usted mismo o desviarse de los métodos de conveniencia implementados y sus propios experimentos complejos. El paquete está muy bien conectado al paquete OpenML R, que apunta a respaldar el aprendizaje automático en línea y lo permite fácilmente. comparta conjuntos de datos, así como tareas de aprendizaje automático, algoritmos y experimentos.
Interfaz S3 clara para los métodos de análisis de clasificación, regresión, agrupación y supervivencia de R

Posibilidad de ajustar, predecir, evaluar y remuestrear modelos
Mecanismo de extensión fácil a través de la herencia S3. Descripción abstracta de los alumnos y tareas por propiedades. Sistema de parámetros para que los alumnos codifiquen los tipos de datos y las restricciones. Muchos métodos convenientes y bloques de construcción genéricos para sus experimentos de aprendizaje automático. Métodos de remuestreo como arranque, validación cruzada y submuestreo. Amplias visualizaciones para, por ejemplo, Curvas ROC, predicciones y predicciones parciales
Benchmarking de aprendices para múltiples conjuntos de datos
Sintonización sencilla de hiperparámetros utilizando diferentes estrategias de optimización, incluidos potentes configuradores como iteración de F-racing (irace) o optimización secuencial basada en modelos
Selección de variables con filtros y envoltorios
Remuestreo anidado de modelos con ajuste y selección de funciones
Aprendizaje sensible al costo, ajuste de umbrales y corrección de desequilibrio
Mecanismo de ajuste para extender la funcionalidad del alumno de manera compleja y personalizada. Combine diferentes pasos de procesamiento a una cadena de minería de datos compleja que se puede optimizar conjuntamente
Conector OpenML para el servidor de aprendizaje de máquina abierto
Puntos de extensión para integrar sus propias cosas
La paralelización está integrada en las pruebas de unidad. .

Categorías