#gradient-boosting Repositories
Entdecke 20 aktive Open-Source-GitHub-Repositories, die mit #gradient-boosting getaggt sind und insgesamt 89,943 Sterne gesammelt haben (durchschnittlich 4,497 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist shap/shap mit 25,883 Sternen.
Insgesamt 20 Repositories
Ein spieltheoretischer Ansatz zur Erklärung der Ausgabe beliebiger maschineller Lernmodelle
Ein schnelles, verteiltes, hochperformantes Gradient-Boosting-Framework (GBT, GBDT, GBRT, GBM oder MART) basierend auf Decision-Tree-Algorithmen, das für Ranking, Klassifikation und viele andere Machine-Learning-Aufgaben verwendet wird.
Ein Python-basiertes Automated-Machine-Learning-Tool, das Machine-Learning-Pipelines mit genetischer Programmierung optimiert.
Eine schnelle, skalierbare, hochperformante Gradient Boosting on Decision Trees Bibliothek, die für Ranking, Klassifikation, Regression und andere Machine-Learning-Aufgaben für Python, R, Java, C++ verwendet wird. Unterstützt Berechnungen auf CPU und GPU.
Passen Sie interpretierbare Modelle an. Erklären Sie Blackbox-Machine-Learning.
Eine Sammlung von Forschungsarbeiten zu Entscheidungs-, Klassifikations- und Regressionsbäumen mit Implementierungen.
Eine kuratierte Liste von Data-Mining-Papieren zur Betrugserkennung.
Eine kuratierte Liste von Forschungsarbeiten zu Gradient Boosting mit Implementierungen.
Ein einheitlicher Ensemble-Framework für PyTorch, um die Leistung und Robustheit Ihres Deep-Learning-Modells zu verbessern.
Universelles Modellaustausch- und Serialisierungsformat für Entscheidungsbaumwälder
Perpetual ist eine Hochleistungs-Gradient-Boosting-Maschine. Sie liefert optimale Genauigkeit in einem einzigen Lauf ohne komplexes Tuning durch einen einfachen Budgetparameter. Sie bietet sofortige Unterstützung für kausales ML, kontinuierliches Lernen, native Kalibrierung und robuste Drift‑Überwachung sowie einen Rust‑Kern und Zero‑Copy‑Bindings für Python und R.
Eine Sammlung von Algorithmen auf dem neuesten Stand der Technik für das Training, die Bereitstellung und die Interpretation von Decision Forest-Modellen in Keras.
Ollama für klassische ML-Modelle. AOT-Compiler, der XGBoost, LightGBM, scikit-learn, CatBoost & ONNX-Modelle in nativen C99-Inferenzcode umwandelt. Ein Befehl zum Laden, ein Befehl zum Servieren. 336x schneller als Python-Inferenz.
Eine Bibliothek zum Trainieren, Bewerten, Interpretieren und Produzieren von Entscheidungsforstmodellen wie Random Forest und Gradient Boosted Decision Trees.
SIGKDD'2019: DeepGBM: Ein Deep-Learning-Framework, das durch GBDT destilliert wurde, für Online-Vorhersageaufgaben
Häufig gestellte Fragen
Welches ist das beliebteste #gradient-boosting-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#gradient-boosting-Projekt auf GitHub ist shap/shap mit 25,883 Sternen. Ein spieltheoretischer Ansatz zur Erklärung der Ausgabe beliebiger maschineller Lernmodelle
Welche Programmiersprachen werden in #gradient-boosting-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #gradient-boosting-Projekten auf GitHub sind Python, Jupyter Notebook, C++, Rust die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #gradient-boosting-Repositories berechnet?
Wir verfolgen 20 aktive Open-Source-Repositories, die mit #gradient-boosting getaggt sind (500+ Sterne), mit insgesamt 89,943 Sternen und durchschnittlich 4,497 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.