#xgboost Repositories
Entdecke 34 aktive Open-Source-GitHub-Repositories, die mit #xgboost getaggt sind und insgesamt 80,652 Sterne gesammelt haben (durchschnittlich 2,372 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist dmlc/xgboost mit 29,010 Sternen.
Insgesamt 34 Repositories
Skalierbare, portable und verteilte Gradient-Boosting-Bibliothek (GBDT, GBRT oder GBM) für Python, R, Java, Scala, C und mehr. Läuft auf einem einzelnen Rechner, Hadoop, Spark, Dask, Flink und DataFlow.
Standardisierte verteilte generative und prädiktive KI-Inferenzplattform für skalierbare, Multi-Framework-Bereitstellung auf Kubernetes
Alink ist die Machine-Learning-Algorithmusplattform basierend auf Flink, entwickelt vom PAI-Team der Alibaba Computing Platform.
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.
Transformieren Sie ML-Modelle in nativen Code (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) ohne Abhängigkeiten
Eine Bibliothek zum Debuggen/Inspektieren von Machine-Learning-Klassifikatoren und Erklären ihrer Vorhersagen
Mars ist ein tensorbasierter einheitlicher Rahmen für die Berechnung großer Datenmengen, der numpy, pandas, scikit-learn und Python-Funktionen skaliert.
Eine Sammlung von Forschungsarbeiten zu Entscheidungs-, Klassifikations- und Regressionsbäumen mit Implementierungen.
Visualisieren Sie automatisch jedes Dataset jeder Größe mit einer einzigen Codezeile. Erstellt von Ram Seshadri. Mitarbeiter willkommen. Genehmigung wird auf Anfrage erteilt.
Python-Bibliothek für Zeitreihenprognosen mit scikit-learn-kompatiblen Modellen, statistischen Methoden und Foundation-Modellen
Eine kuratierte Liste von Forschungsarbeiten zu Gradient Boosting mit Implementierungen.
Ein Inferenzserver für Ihre Machine-Learning-Modelle, einschließlich Unterstützung für mehrere Frameworks, Multi-Model-Serving und mehr
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.
Nutzen Sie fortgeschrittene Feature-Engineering-Strategien und wählen Sie mit einer einzigen Codezeile die besten Features aus Ihrem Datensatz aus. Erstellt von Ram Seshadri. Mitarbeiter willkommen.
Ein baumbasierter Feature-Auswahltool, das sowohl den Boruta-Feature-Auswahlalgorithmus als auch Shapley-Werte kombiniert.
Code für IDS-ML: Entwicklung von Einbruchserkennungssystemen mithilfe von Algorithmen des maschinellen Lernens (Entscheidungsbaum, Random Forest, Extra Trees, XGBoost, Stacking, k-Means, Bayesian Optimization..)
Eine verbesserte und reproduzierbare Implementierung einer Silver-Medal-Kaggle-NeurIPS-Open-Polymer-Prediction-Lösung mit SMILES-Kanonisierung, molekularen Deskriptoren, CatBoost/XGBoost-Modellen, OOF-Stacking und optionalen PyTorch Geometric GNNs.
REST-Webdienst für die echte Echtzeit-Bewertung (<1 ms) von Scikit-Learn-, R- und Apache-Spark-Modellen
Ein Python-Paket für die gleichzeitige Hyperparameter-Optimierung und Merkmalsauswahl für Gradient-Boosting-Modelle.
Eine vereinheitlichte Schnittstelle für Optimierungsalgorithmen und Experimente
Mehrere ML-Modelle automatisch mit einer einzigen Codezeile erstellen. Erstellt von Ram Seshadri. Kollaborateure willkommen. Erlaubnis auf Anfrage gewährt.
Häufig gestellte Fragen
Welches ist das beliebteste #xgboost-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#xgboost-Projekt auf GitHub ist dmlc/xgboost mit 29,010 Sternen. Skalierbare, portable und verteilte Gradient-Boosting-Bibliothek (GBDT, GBRT oder GBM) für Python, R, Java, Scala, C und mehr. Läuft auf einem einzelnen Rechner, Hadoop, Spark, Dask, Flink und DataFlow.
Welche Programmiersprachen werden in #xgboost-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #xgboost-Projekten auf GitHub sind Python, Jupyter Notebook, C++, Go die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #xgboost-Repositories berechnet?
Wir verfolgen 34 aktive Open-Source-Repositories, die mit #xgboost getaggt sind (500+ Sterne), mit insgesamt 80,652 Sternen und durchschnittlich 2,372 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.