Git Stars Git Stars

#random-forest Repositories

Entdecke 26 aktive Open-Source-GitHub-Repositories, die mit #random-forest getaggt sind und insgesamt 57,940 Sterne gesammelt haben (durchschnittlich 2,228 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist EpistasisLab/tpot mit 10,051 Sternen.

26
Gesamtzahl der Repositories
57,940
Gesamtanzahl der Sterne
2,228
Durchschnittliche Sterne/Repo

Insgesamt 26 Repositories

1
EpistasisLab/tpot

Ein Python-basiertes Automated-Machine-Learning-Tool, das Machine-Learning-Pipelines mit genetischer Programmierung optimiert.

EpistasisLab
⭐ 10,051 Jupyter Notebook 👤 EpistasisLab Organization 🕐 Aktualisiert 2025-09-11 📅 Erstellt 2015-11-03
2
h2oai/h2o-3

H2O ist eine Open-Source-, verteilte, schnelle und skalierbare Machine-Learning-Plattform: Deep Learning, Gradient Boosting (GBM) & XGBoost, Random Forest, Generalized Linear Modeling (GLM mit Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML) usw.

h2oai
⭐ 7,527 Jupyter Notebook 👤 h2oai Organization 🕐 Aktualisiert 2026-11-11 📅 Erstellt 2014-03-03
3
biolab/orange3

🍊 :bar_chart: :bulb: Orange: Interaktive Datenanalyse

biolab
⭐ 5,759 Python 👤 biolab Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2013-02-22
4
susanli2016/Machine-Learning-with-Python

Python-Code für gängige Machine-Learning-Algorithmen

susanli2016
⭐ 4,580 Jupyter Notebook 👤 susanli2016 User 🕐 Aktualisiert 2025-06-05 📅 Erstellt 2017-05-26
5
microsoft/FLAML

Eine schnelle Bibliothek für AutoML und Tuning. Treten Sie unserem Discord bei: https://discord.gg/Cppx2vSPVP.

microsoft
⭐ 4,422 Jupyter Notebook 👤 microsoft Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2020-08-20
6
mljar/mljar-supervised

Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation

mljar
⭐ 3,306 Python 👤 mljar Organization 🕐 Aktualisiert 2026-11-05 📅 Erstellt 2018-11-05
7
parrt/dtreeviz

Eine Python-Bibliothek für die Visualisierung von Entscheidungsbäumen und die Modellinterpretation.

parrt
⭐ 3,161 Jupyter Notebook 👤 parrt User 🕐 Aktualisiert 2026-01-02 📅 Erstellt 2018-08-13
8
benedekrozemberczki/awesome-decision-tree-papers

Eine Sammlung von Forschungsarbeiten zu Entscheidungs-, Klassifikations- und Regressionsbäumen mit Implementierungen.

benedekrozemberczki
⭐ 2,480 Python 👤 benedekrozemberczki User 🕐 Aktualisiert 2025-12-28 📅 Erstellt 2019-05-11
9
benedekrozemberczki/awesome-fraud-detection-papers

Eine kuratierte Liste von Data-Mining-Papieren zur Betrugserkennung.

benedekrozemberczki
⭐ 1,843 Python 👤 benedekrozemberczki User 🕐 Aktualisiert 2026-01-05 📅 Erstellt 2019-05-27
10
kk7nc/Text_Classification

Textklassifikationsalgorithmen: Eine Übersicht

kk7nc
⭐ 1,827 Python 👤 kk7nc User 🕐 Aktualisiert 2025-04-01 📅 Erstellt 2018-07-06
11
nivu/ai_all_resources

Eine kuratierte Liste der besten Ressourcen für Künstliche Intelligenz

nivu
⭐ 1,543 Jupyter Notebook 👤 nivu User 🕐 Aktualisiert 2026-09-19 📅 Erstellt 2019-12-26
12
automl/SMAC3

SMAC3: Ein vielseitiges Paket für bayessche Optimierung bei der Hyperparameter-Optimierung

automl
⭐ 1,273 Python 👤 automl Organization 🕐 Aktualisiert 2026-11-18 📅 Erstellt 2016-08-17
13
grf-labs/grf

Verallgemeinerte Random Forests

grf-labs
⭐ 1,121 C++ 👤 grf-labs Organization 🕐 Aktualisiert 2026-04-30 📅 Erstellt 2016-08-12
14
benedekrozemberczki/awesome-gradient-boosting-papers

Eine kuratierte Liste von Forschungsarbeiten zu Gradient Boosting mit Implementierungen.

benedekrozemberczki
⭐ 1,053 Python 👤 benedekrozemberczki User 🕐 Aktualisiert 2026-01-05 📅 Erstellt 2019-05-11
15
LAMDA-NJU/Deep-Forest

Ein effizientes, skalierbares und optimiertes Python-Framework für Deep Forest (2021.2.1)

LAMDA-NJU
⭐ 961 Python 👤 LAMDA-NJU Organization 🕐 Aktualisiert 2026-05-18 📅 Erstellt 2021-01-27
16
emlearn/emlearn

Inferenz-Engine für Machine Learning auf Mikrocontrollern und eingebetteten Geräten

emlearn
⭐ 776 Python 👤 emlearn Organization 🕐 Aktualisiert 2026-11-10 📅 Erstellt 2018-03-16
17
Xtra-Computing/thundergbm

ThunderGBM: Schnelle GBDTs und Random Forests auf GPUs

Xtra-Computing
⭐ 713 C++ 👤 Xtra-Computing Organization 🕐 Aktualisiert 2025-03-19 📅 Erstellt 2016-11-11
18
mljar/supertree

Beeindrucken Sie Ihren Chef mit interaktiver Entscheidungsbaum-Visualisierung

mljar
⭐ 700 JavaScript 👤 mljar Organization 🕐 Aktualisiert 2026-08-11 📅 Erstellt 2024-07-24
19
tensorflow/decision-forests

Eine Sammlung von Algorithmen auf dem neuesten Stand der Technik für das Training, die Bereitstellung und die Interpretation von Decision Forest-Modellen in Keras.

tensorflow
⭐ 693 Python 👤 tensorflow Organization 🕐 Aktualisiert 2026-05-19 📅 Erstellt 2021-04-22
20
google/yggdrasil-decision-forests

Eine Bibliothek zum Trainieren, Bewerten, Interpretieren und Produzieren von Entscheidungsforstmodellen wie Random Forest und Gradient Boosted Decision Trees.

google
⭐ 680 C++ 👤 google Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2021-04-22
21
parrt/random-forest-importances

Code zur Berechnung von Permutations- und Drop-Column-Importanten in Python scikit-learn-Modellen

parrt
⭐ 625 Jupyter Notebook 👤 parrt User 🕐 Aktualisiert 2025-03-24 📅 Erstellt 2018-03-22
22
kochlisGit/ProphitBet-Soccer-Bets-Predictor

ProphitBet ist eine Anwendung zur Vorhersage von Fußballwetten auf Basis maschinellen Lernens. Sie analysiert die Form der Teams, berechnet Spielstatistiken und sagt mithilfe fortschrittlicher Methoden des maschinellen Lernens (ML) die Spielergebnisse voraus. Außerdem bietet sie Wettagenten auf Basis von Deep Reinforcement Learning (DRL), die optimale Wettstrategien erlernen können.

kochlisGit
⭐ 606 Python 👤 kochlisGit User 🕐 Aktualisiert 2026-10-27 📅 Erstellt 2022-03-18
23
Western-OC2-Lab/Intrusion-Detection-System-Using-Machine-Learning

Code für IDS-ML: Entwicklung von Einbruchserkennungssystemen mithilfe von Algorithmen des maschinellen Lernens (Entscheidungsbaum, Random Forest, Extra Trees, XGBoost, Stacking, k-Means, Bayesian Optimization..)

Western-OC2-Lab
⭐ 602 Jupyter Notebook 👤 Western-OC2-Lab Organization 🕐 Aktualisiert 2026-04-01 📅 Erstellt 2021-05-25
24
Carl-McBride-Ellis/Compendium-of-free-ML-reading-resources

Sammlung kostenloser ML-Lesematerialien

Carl-McBride-Ellis
⭐ 580 👤 Carl-McBride-Ellis User 🕐 Aktualisiert 2026-11-07 📅 Erstellt 2023-09-01
25
machinelearnjs/machinelearnjs

Machine-Learning-Bibliothek für das Web und Node.

machinelearnjs
⭐ 541 TypeScript 👤 machinelearnjs Organization 🕐 Aktualisiert 2026-02-07 📅 Erstellt 2018-04-29
26
kLabUM/rrcf

🌲 Implementierung des Robust Random Cut Forest-Algorithmus für die Anomalieerkennung in Streams

kLabUM
⭐ 519 Python 👤 kLabUM Organization 🕐 Aktualisiert 2024-02-24 📅 Erstellt 2018-10-20

Häufig gestellte Fragen

1

Welches ist das beliebteste #random-forest-Repository auf GitHub?

Das am höchsten eingestufte Open-Source-#random-forest-Projekt auf GitHub ist EpistasisLab/tpot mit 10,051 Sternen. Ein Python-basiertes Automated-Machine-Learning-Tool, das Machine-Learning-Pipelines mit genetischer Programmierung optimiert.

2

Welche Programmiersprachen werden in #random-forest-Repositories am häufigsten verwendet?

Unter den am höchsten eingestuften #random-forest-Projekten auf GitHub sind Python, Jupyter Notebook, C++, JavaScript die am häufigsten verwendeten Programmiersprachen.

3

Wie wird das Ranking der #random-forest-Repositories berechnet?

Wir verfolgen 26 aktive Open-Source-Repositories, die mit #random-forest getaggt sind (500+ Sterne), mit insgesamt 57,940 Sternen und durchschnittlich 2,228 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.