mlr fournit cela pour que vous puissiez vous concentrer sur vos expériences!Le cadre fournit des méthodes supervisées comme la classification, la régression et l'analyse de survie ainsi que leurs méthodes d'évaluation et d'optimisation correspondantes, ainsi que des méthodes non supervisées comme le clustering.Il est écrit de manière à ce que vous puissiez l'étendre vous-même ou dévier des méthodes de commodité mises en œuvre et de vos propres expériences complexes.Le package est bien connecté au package OpenML R, qui vise à soutenir le machine learning collaboratif en ligne et permet de partager facilement des ensembles de données ainsi que des tâches d'apprentissage automatique, des algorithmes et des expériences.Interface S3 claire pour les méthodes de classification R, de régression, de clustering et d'analyse de survie Possibilité d'ajuster, prédire, évaluer et rééchantillonner les modèles Mécanisme d'extension facile grâce à l'héritage S3 Description abstraite des apprenants et des tâches par propriétés Système de paramètres pour que les apprenants encodent les types de données et les contraintes Nombreuses commoditésméthodes et blocs de construction génériques pour vos expériences d'apprentissage automatique Méthodes de rééchantillonnage comme le démarrage, la validation croisée et le sous-échantillonnage Visualisations étendues pour, par exemple, les courbes ROC, les prévisions et les prédictions partielles Analyse comparative des apprenants pour plusieurs ensembles de données Réglage hyperparamètre facile en utilisant différentes stratégies d'optimisation, y compris des configurateurs puissants commeoptimisation F-racing itérée (irace) ou basée sur un modèle séquentiel Sélection de variables avec filtres et wrappers Rééchantillonnage imbriqué de modèles avec réglage et sélection de fonctionnalités Apprentissage sensible aux coûts, réglage de seuil et correction de déséquilibre Mécanisme de wrapper pour étendre les fonctions de l'apprenantnalité de manière complexe et personnalisée Combinez différentes étapes de traitement à une chaîne complexe d'exploration de données qui peut être optimisée conjointement avec le connecteur OpenML pour le serveur Open Machine Learning. Points d'extension pour intégrer vos propres éléments La parallélisation est un test unitaire intégré ...