mlr zagotavlja to, da se lahko osredotočite na svoje poskuse!Okvir ponuja nadzorovane metode, kot so razvrščanje, regresija in analiza preživetja, skupaj z ustreznimi metodami ocenjevanja in optimizacije, pa tudi nenadzorovane metode, kot je grozdenje.Napisana je tako, da jo lahko sami razširite ali odstopate od izvedenih praktičnih metod in lastnih zapletenih poskusov.paket je lepo povezan s paketom OpenML R, katerega namen je podpirati sodelovalno strojno učenje na spletu in omogoča enostavno izmenjavo podatkovnih nizov, pa tudi strojnih učnih nalog, algoritmov in eksperimentov.Jasni vmesnik S3 za R klasifikacijo, regresijo, združevanje in metode preživetja Analiza možnosti prilagajanja, napovedovanja, ocenjevanja in ponovnega vzorčenja modelov Enostaven mehanizem razširitve s pomočjo dedovanja S3 Izvleček opis učencev in nalog po lastnostih Parametrski sistem za učence za kodiranje podatkovnih vrst in omejitev Veliko priročnostimetode in generični gradniki za eksperimente strojnega učenja Postopki združevanja, kot so zagonsko preskakovanje, navzkrižna validacija in podvključitev Obsežne vizualizacije za npr. ROC krivulje, napovedi in delne napovedi Primerjalno vrednotenje učencev za več nizov podatkov Enostavna nastavitev hiperparametrov z uporabo različnih strategij za optimizacijo, vključno z močnimi konfiguratorji, kot soiterirano F-dirkanje (irace) ali zaporedna optimizacija na osnovi modelov Spremenljiv izbor s filtri in ovoji Gnezdeno prerazporeditev modelov z uglaševanjem in izbiro funkcij Stroškovno občutljivo učenje, uravnavanje pragov in odpravljanje neravnovesja Wrapper mehanizem za razširitev funkcije učencevnaravnost na zapletene in po meri načine Združite različne korake obdelave v zapleteno verigo pridobivanja podatkov, ki jo je mogoče skupno optimizirati OpenML konektor za strežnik Open Machine Learning Razširitvene točke, da vključite svoje stvari Parallelization je vgrajena enota za testiranje ...