#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.
Insgesamt 26 Repositories
Ein Python-basiertes Automated-Machine-Learning-Tool, das Machine-Learning-Pipelines mit genetischer Programmierung optimiert.
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.
Eine schnelle Bibliothek für AutoML und Tuning. Treten Sie unserem Discord bei: https://discord.gg/Cppx2vSPVP.
Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation
Eine Python-Bibliothek für die Visualisierung von Entscheidungsbäumen und die Modellinterpretation.
Eine Sammlung von Forschungsarbeiten zu Entscheidungs-, Klassifikations- und Regressionsbäumen mit Implementierungen.
Eine kuratierte Liste von Data-Mining-Papieren zur Betrugserkennung.
SMAC3: Ein vielseitiges Paket für bayessche Optimierung bei der Hyperparameter-Optimierung
Eine kuratierte Liste von Forschungsarbeiten zu Gradient Boosting mit Implementierungen.
Ein effizientes, skalierbares und optimiertes Python-Framework für Deep Forest (2021.2.1)
Inferenz-Engine für Machine Learning auf Mikrocontrollern und eingebetteten Geräten
Eine Sammlung von Algorithmen auf dem neuesten Stand der Technik für das Training, die Bereitstellung und die Interpretation von Decision Forest-Modellen in Keras.
Eine Bibliothek zum Trainieren, Bewerten, Interpretieren und Produzieren von Entscheidungsforstmodellen wie Random Forest und Gradient Boosted Decision Trees.
Code zur Berechnung von Permutations- und Drop-Column-Importanten in Python scikit-learn-Modellen
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.
Code für IDS-ML: Entwicklung von Einbruchserkennungssystemen mithilfe von Algorithmen des maschinellen Lernens (Entscheidungsbaum, Random Forest, Extra Trees, XGBoost, Stacking, k-Means, Bayesian Optimization..)
Sammlung kostenloser ML-Lesematerialien
🌲 Implementierung des Robust Random Cut Forest-Algorithmus für die Anomalieerkennung in Streams
Häufig gestellte Fragen
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.
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.
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.