#feature-selection Dépôts
Découvrez 18 dépôts GitHub open source actifs associés à #feature-selection, cumulant 20,050 étoiles au total (soit une moyenne de 1,113 étoiles par projet). Le projet en tête de ce thème est feature-engine/feature_engine, avec 2,297 étoiles.
18 dépôts au total
Bibliothèque Python open-source de préparation et de sélection de caractéristiques compatible avec sklearn.
Le sélecteur de fonctionnalités est un outil pour la réduction de dimensionnalité des ensembles de données d'apprentissage automatique
Les actions en deep learning et en machine learning représentent des opportunités prometteuses pour les investisseurs et les traders à long et court terme.
Implémentations Python de la méthode de sélection de caractéristiques all-relevant de Boruta.
NVTabular est une bibliothèque d'ingénierie et de prétraitement de caractéristiques pour les données tabulaires, conçue pour manipuler rapidement et facilement des jeux de données à l'échelle du téraoctet utilisés pour entraîner des systèmes de recommandation basés sur l'apprentissage profond.
L'ingénierie des caractéristiques est le processus d'utilisation des connaissances du domaine pour extraire des caractéristiques des données brutes via des techniques de fouille de données. Ces caractéristiques peuvent être utilisées pour améliorer les performances des algorithmes d'apprentissage automatique. L'ingénierie des caractéristiques peut être considérée comme l'apprentissage automatique appliqué lui-même.
Utilisez des stratégies avancées d'ingénierie des fonctionnalités et sélectionnez les meilleures fonctionnalités de votre jeu de données en une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus.
Un outil de sélection de caractéristiques basé sur des arbres qui combine à la fois l'algorithme de sélection de caractéristiques Boruta et les valeurs Shapley.
MRMR (minimum-redondance-maximum-pertinence) pour la sélection automatique de caractéristiques à grande échelle.
Un package Python pour le réglage simultané des hyperparamètres et la sélection des caractéristiques pour les modèles Gradient Boosting.
Modèle de Prédiction Linéaire avec Capacités d'Ingénierie et de Sélection Automatisées des Caractéristiques
Bibliothèque Python facile à utiliser de fonctions personnalisées pour le nettoyage et l'analyse des données.
Desbordante est un profileur de données hautes performances capable de découvrir de nombreux motifs différents dans les données à l’aide de divers algorithmes. Il permet également d’exécuter des scénarios de nettoyage des données à l’aide de ces algorithmes. Desbordante propose une version console et une application web facile à utiliser.
Foire aux questions
Quel est le dépôt #feature-selection le plus populaire sur GitHub ?
Le projet #feature-selection open source le mieux classé sur GitHub est feature-engine/feature_engine, avec 2,297 étoiles. Bibliothèque Python open-source de préparation et de sélection de caractéristiques compatible avec sklearn.
Quels langages de programmation sont les plus utilisés dans les dépôts #feature-selection ?
Parmi les projets #feature-selection les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, R, C++.
Comment le classement des dépôts #feature-selection est-il calculé ?
Nous suivons 18 dépôts open source actifs associés à #feature-selection (500+ étoiles), totalisant 20,050 étoiles, avec une moyenne de 1,113 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.