mlr tillhandahåller detta så att du kan fokusera på dina experiment!Ramverket tillhandahåller övervakade metoder som klassificering, regression och överlevnadsanalys tillsammans med deras motsvarande utvärderings- och optimeringsmetoder, liksom oövervakade metoder som kluster.Det är skrivet på ett sätt som du kan utvidga det själv eller avvika från de implementerade bekvämlighetsmetoderna och dina egna komplexa experiment.paketet är fint anslutet till OpenML R-paketet, som syftar till att stödja samarbete med maskininlärning online och gör det enkelt att dela datasätt såväl som maskininlärningsuppgifter, algoritmer och experiment.Tydligt S3-gränssnitt till R-klassificerings-, regressions-, kluster- och överlevnadsanalysmetoder Möjlighet att passa, förutsäga, utvärdera och omampla modeller Enkel förlängningsmekanism genom S3-arv Abstrakt beskrivning av elever och uppgifter efter egenskaper Parametersystem för elever att koda datatyper och begränsningar Många bekvämlighetermetoder och generiska byggstenar för dina maskininlärningsförsök Resampling metoder som bootstrapping, korsvalidering och subampling Omfattande visualiseringar för t.ex. ROC-kurvor, förutsägelser och delvisa förutsägelser Benchmarking av elever för flera datauppsättningar Enkel hyperparameterinställning med olika optimeringsstrategier, inklusive potenta konfiguratorer somitererad F-racing (irace) eller sekvensiell modellbaserad optimering Variabelt urval med filter och omslag Inbyggd omampling av modeller med inställning och val av funktioner Kostnadskänsligt lärande, tröskeljustering och korrigering av obalans Inpackningsmekanism för att utvidga elevernas funktionnalitet på komplexa och anpassade sätt Kombinera olika bearbetningssteg till en komplex datakommunikationskedja som tillsammans kan optimeras OpenML-anslutning för Open Machine Learning-servern Förlängningspunkter för att integrera dina egna grejer Parallelisering är inbyggd enhetstestning ...