mlr giver dette, så du kan fokusere på dine eksperimenter!Rammerne giver overvågede metoder som klassificering, regression og overlevelsesanalyse sammen med deres tilsvarende evaluerings- og optimeringsmetoder, såvel som uovervågede metoder som klynger.Det er skrevet på en måde, som du selv kan udvide eller afvige fra de implementerede bekvemmelighedsmetoder og dine egne komplekse eksperimenter.pakken er pænt forbundet med OpenML R-pakken, der sigter mod at understøtte samarbejdende maskinlæring online og gør det let at dele datasæt såvel som maskinlæringsopgaver, algoritmer og eksperimenter.Klar S3-interface til R-klassificering, regression, klynge- og overlevelsesanalysemetoder Mulighed for at passe, forudsige, evaluere og resample modeller Let udvidelsesmekanisme gennem S3-arv Abstrakt beskrivelse af elever og opgaver efter egenskaber Parametersystem for elever til at kode datatyper og begrænsninger Mange bekvemmelighedermetoder og generiske byggesten til dine maskinlæringseksperimenter Resampling af metoder som bootstrapping, krydsvalidering og underampling Omfattende visualiseringer til fx ROC-kurver, forudsigelser og delvise forudsigelser Benchmarking af elever til flere datasæt Let hyperparameter-indstilling ved hjælp af forskellige optimeringsstrategier, herunder potente konfiguratorer somitereret F-racing (irace) eller sekventiel modelbaseret optimering Variabel valg med filtre og indpakning Indlejret genprøve af modeller med tuning og valg af funktion Omkostningsfølsom læring, tærskel tuning og ubalance korrektion Indpakningsmekanisme for at udvide elevens funktionformalitet på komplekse og brugerdefinerede måder Kombiner forskellige behandlingstrin til en kompleks dataminingskæde, der kan optimeres i fællesskab OpenML-stik til Open Machine Learning-serveren Udvidelsespunkter for at integrere dine egne ting Parallelisering er indbygget enhedstest ...