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