mlr poskytuje toto, abyste se mohli soustředit na své experimenty!Rámec poskytuje supervidované metody, jako je klasifikace, regrese a analýza přežití, spolu s jejich odpovídajícími metodami hodnocení a optimalizace, jakož i metody bez dozoru, jako je shlukování.Je napsáno tak, že jej můžete sami rozšířit nebo se odchýlit od implementovaných metod komfortu a vlastních složitých experimentů.Balíček je pěkně propojen s balíčkem OpenML R, jehož cílem je podpora kolaborativního strojového učení online a umožňuje snadné sdílení datových sad i úloh strojového učení, algoritmů a experimentů.Jasné rozhraní S3 pro klasifikaci R, regrese, shlukování a analýzu přežití Možnost přizpůsobení, predikce, vyhodnocení a převzorkování modelů Snadný mechanismus rozšíření prostřednictvím dědičnosti S3 Abstraktní popis studentů a úkolů podle vlastností Systém parametrů pro studenty kódující datové typy a omezení Mnoho výhodmetody a obecné stavební bloky pro vaše experimenty se strojovým učením Metody převzorkování, jako je bootstrapping, cross-validation and subsampling Rozsáhlé vizualizace např. ROC křivek, předpovědí a částečných předpovědí Benchmarking žáků pro více datových sad Snadné hyperparametrické ladění pomocí různých optimalizačních strategií, včetně silných konfigurátorů, jako jsouiterované F-racing (irace) nebo sekvenční optimalizace založená na modelu Variabilní výběr s filtry a obálky Vnořený převzorkování modelů s laděním a výběrem funkcí Nákladově citlivé učení, vyladění prahů a korekce nevyváženosti Mechanismus wrapperu pro rozšíření funkčnosti žákanality komplexním a uživatelským způsobem Kombinujte různé kroky zpracování do složitého řetězce těžby dat, které lze společně optimalizovat konektorem OpenML pro server Open Machine Learning Server Extension points pro integraci vašich vlastních věcí. Parallelization je vestavěné testování jednotek ...