mlr poskytuje toto, aby ste sa mohli zamerať na svoje experimenty!Rámec poskytuje supervidované metódy, ako je klasifikácia, regresia a analýza prežitia spolu s ich zodpovedajúcimi hodnotiacimi a optimalizačnými metódami, ako aj nekontrolované metódy, ako je zoskupovanie.Je napísaná tak, že ju môžete rozšíriť sami alebo sa odchyľovať od implementovaných metód pohodlia a vlastných zložitých experimentov.Balík je pekne spojený s balíkom OpenML R, ktorého cieľom je podpora spoločného strojového učenia online a umožňuje jednoduché zdieľanie súborov údajov, ako aj úlohy strojového učenia, algoritmy a experimenty.Jasné rozhranie S3 na klasifikáciu R, regresiu, zhlukovanie a analýzu prežitia Možnosť prispôsobenia, predpovedania, vyhodnotenia a prevzorkovania modelov Ľahký mechanizmus rozšírenia prostredníctvom dedičnosti S3 Abstraktný popis študentov a úloh podľa vlastností Systém parametrov pre študentov na kódovanie typov údajov a obmedzení Mnoho výhodmetódy a všeobecné stavebné bloky pre vaše strojové učebné experimenty Metódy prevzorkovania, ako je bootstrapping, krížová validácia a čiastkové predvídanie Rozsiahle vizualizácie napr. ROC kriviek, predpovedí a čiastočných predpovedí Benchmarking študentov pri viacerých súboroch údajov Jednoduché ladenie hyperparametrov pomocou rôznych stratégií optimalizácie vrátane silných konfigurátorov, ako súiterované F-racing (irace) alebo sekvenčná optimalizácia založená na modeli Výber premennej s filtrami a obálkami Vnorené prevzorkovanie modelov s ladením a výberom prvkov Nákladovo citlivé učenie, ladenie prahov a korekcia nerovnováhy Mechanizmus omotávky na rozšírenie funkčnosti žiakakomplexnosť a prispôsobiteľnosť kombináciou rôznych krokov spracovania do komplexného reťazca ťažby údajov, ktorý môže byť spoločne optimalizovaný konektor OpenML pre rozširujúce body servera Open Machine Learning, aby integroval svoje vlastné veci. Paralelizácia je integrovaná v testovaní jednotiek ...