#xgboost Repositorios
Descubre 34 repositorios activos de código abierto de GitHub etiquetados con #xgboost, que acumulan 80,652 estrellas en total (una media de 2,372 estrellas por proyecto). El líder de este tema es dmlc/xgboost, con 29,010 estrellas.
34 repositorios en total
Biblioteca de Gradient Boosting (GBDT, GBRT o GBM) escalable, portátil y distribuida, para Python, R, Java, Scala, C y más. Se ejecuta en una sola máquina, Hadoop, Spark, Dask, Flink y DataFlow.
Plataforma de inferencia de IA generativa y predictiva distribuida estandarizada para despliegue escalable y multi-framework en Kubernetes
Alink es la plataforma de algoritmos de Machine Learning basada en Flink, desarrollada por el equipo PAI de la plataforma de cómputo de Alibaba.
Paquete de Python para AutoML en datos tabulares con ingeniería de características, ajuste de hiperparámetros, explicaciones y documentación automática
Una biblioteca de Python para la visualización de árboles de decisión e interpretación de modelos.
Transforma modelos ML en código nativo (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) sin dependencias
Una biblioteca para depurar/inspeccionar clasificadores de aprendizaje automático y explicar sus predicciones
Mars es un marco unificado basado en tensores para la computación de datos a gran escala que escala numpy, pandas, scikit-learn y funciones de Python.
Una colección de artículos de investigación sobre árboles de decisión, clasificación y regresión con implementaciones.
Visualice automáticamente cualquier conjunto de datos, de cualquier tamaño, con una sola línea de código. Creado por Ram Seshadri. Colaboradores bienvenidos. Permiso concedido previa solicitud.
Biblioteca de Python para pronóstico de series temporales usando modelos compatibles con scikit-learn, métodos estadísticos y modelos fundamentales
Una lista curada de artículos de investigación sobre gradient boosting con implementaciones.
Un servidor de inferencia para sus modelos de aprendizaje automático, que incluye soporte para múltiples frameworks, servicio de múltiples modelos y más
El puente que faltaba entre tus modelos de aprendizaje automático y tus agentes de IA.
Ollama para modelos ML clásicos. Compilador AOT que convierte modelos XGBoost, LightGBM, scikit-learn, CatBoost y ONNX en código de inferencia nativo C99. Un comando para cargar, un comando para servir. 336x más rápido que la inferencia en Python.
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.
📘 El rastreador de experimentos para el entrenamiento de modelos fundamentales
Código para IDS-ML: desarrollo de sistemas de detección de intrusiones utilizando algoritmos de aprendizaje automático (árbol de decisión, random forest, extra trees, XGBoost, stacking, k-means, optimización bayesiana..)
Una implementación mejorada y reproducible de una solución de predicción de polímeros Open NeurIPS Kaggle Medalla de Plata, con canonicalización SMILES, descriptores moleculares, modelos CatBoost/XGBoost, apilamiento OOF y GNNs PyTorch Geometric opcionales.
Servicio web REST para la puntuación en tiempo real verdadera (<1 ms) de modelos de Scikit-Learn, R y Apache Spark
Un paquete de Python para la optimización simultánea de hiperparámetros y la selección de características para modelos de Gradient Boosting.
Una interfaz unificada para algoritmos de optimización y experimentos
Construye automáticamente múltiples modelos de ML con una sola línea de código. Creado por Ram Seshadri. Colaboradores bienvenidos. Permiso concedido bajo solicitud.
Preguntas frecuentes
¿Cuál es el repositorio de #xgboost más popular en GitHub?
El proyecto de código abierto de #xgboost mejor posicionado en GitHub es dmlc/xgboost, con 29,010 estrellas. Biblioteca de Gradient Boosting (GBDT, GBRT o GBM) escalable, portátil y distribuida, para Python, R, Java, Scala, C y más. Se ejecuta en una sola máquina, Hadoop, Spark, Dask, Flink y DataFlow.
¿Qué lenguajes de programación se utilizan más en los repositorios de #xgboost?
Entre los proyectos de #xgboost mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, C++, Go.
¿Cómo se calcula la clasificación de los repositorios de #xgboost?
Seguimos 34 repositorios activos de código abierto etiquetados con #xgboost (500+ estrellas), que suman un total de 80,652 estrellas, con una media de 2,372 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.