#feature-selection Repositorios
Descubre 18 repositorios activos de código abierto de GitHub etiquetados con #feature-selection, que acumulan 20,050 estrellas en total (una media de 1,113 estrellas por proyecto). El líder de este tema es feature-engine/feature_engine, con 2,297 estrellas.
18 repositorios en total
Librería de Python de código abierto para ingeniería y selección de características compatible con sklearn.
El selector de características es una herramienta para la reducción de dimensionalidad de conjuntos de datos de aprendizaje automático
Las acciones de Deep Learning y Machine Learning representan oportunidades prometedoras para inversores y traders a largo y corto plazo.
Implementaciones en Python del método de selección de características all-relevant de Boruta.
NVTabular es una biblioteca de ingeniería y preprocesamiento de características para datos tabulares diseñada para manipular rápida y fácilmente conjuntos de datos a escala de terabytes utilizados para entrenar sistemas de recomendación basados en aprendizaje profundo.
La ingeniería de características es el proceso de usar el conocimiento del dominio para extraer características de datos crudos mediante técnicas de minería de datos. Estas características se pueden usar para mejorar el rendimiento de los algoritmos de aprendizaje automático. La ingeniería de características se puede considerar como el aprendizaje automático aplicado en sí mismo.
Utilice estrategias avanzadas de ingeniería de características y seleccione las mejores características de su conjunto de datos con una sola línea de código. Creado por Ram Seshadri. Se aceptan colaboradores.
Una herramienta de selección de características basada en árboles que combina tanto el algoritmo de selección de características Boruta como los valores Shapley.
MRMR (Mínima Redundancia Máxima Relevancia) para la selección automática de características a gran escala.
Un paquete de Python para la optimización simultánea de hiperparámetros y la selección de características para modelos de Gradient Boosting.
Modelo de Predicción Lineal con Capacidades de Ingeniería y Selección de Características Automatizadas
Biblioteca Python fácil de usar con funciones personalizadas para limpiar y analizar datos.
Desbordante es un perfilador de datos de alto rendimiento capaz de descubrir muchos patrones diferentes en los datos mediante diversos algoritmos. También permite ejecutar escenarios de limpieza de datos utilizando estos algoritmos. Desbordante cuenta con una versión de consola y una aplicación web fácil de usar.
Preguntas frecuentes
¿Cuál es el repositorio de #feature-selection más popular en GitHub?
El proyecto de código abierto de #feature-selection mejor posicionado en GitHub es feature-engine/feature_engine, con 2,297 estrellas. Librería de Python de código abierto para ingeniería y selección de características compatible con sklearn.
¿Qué lenguajes de programación se utilizan más en los repositorios de #feature-selection?
Entre los proyectos de #feature-selection mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, R, C++.
¿Cómo se calcula la clasificación de los repositorios de #feature-selection?
Seguimos 18 repositorios activos de código abierto etiquetados con #feature-selection (500+ estrellas), que suman un total de 20,050 estrellas, con una media de 1,113 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.