#gradient-boosting Dépôts
Découvrez 20 dépôts GitHub open source actifs associés à #gradient-boosting, cumulant 89,943 étoiles au total (soit une moyenne de 4,497 étoiles par projet). Le projet en tête de ce thème est shap/shap, avec 25,883 étoiles.
20 dépôts au total
Une approche de la théorie des jeux pour expliquer la sortie de tout modèle d'apprentissage automatique
Un framework rapide, distribué et haute performance pour le gradient boosting (GBT, GBDT, GBRT, GBM ou MART) basé sur des algorithmes d'arbres de décision, utilisé pour le ranking, la classification et de nombreuses autres tâches d'apprentissage automatique.
Un outil de Machine Learning Automatisé en Python qui optimise les pipelines de machine learning en utilisant la programmation génétique.
Une bibliothèque Gradient Boosting sur arbres de décision rapide, scalable et haute performance, utilisée pour le ranking, la classification, la régression et d'autres tâches d'apprentissage automatique pour Python, R, Java, C++. Prend en charge le calcul sur CPU et GPU.
Ajustez des modèles interprétables. Expliquez l'apprentissage automatique en boîte noire.
Une collection d'articles de recherche sur les arbres de décision, de classification et de régression avec implémentations.
Une liste curated de papiers de data mining sur la détection de fraudes.
Une liste sélectionnée de papiers de recherche sur le gradient boosting avec implémentations.
Un framework d'ensemble unifié pour PyTorch pour améliorer les performances et la robustesse de votre modèle d'apprentissage profond.
OpenFE : génération automatisée de caractéristiques avec des performances de niveau expert
Format universel d'échange et de sérialisation de modèles pour forêts d'arbres de décision
Perpetual est une machine de gradient boosting haute performance. Elle délivre une précision optimale en une seule exécution sans réglages complexes grâce à un simple paramètre de budget. Elle prend en charge, par défaut, le ML causal, l’apprentissage continu, la calibration native et la surveillance robuste du dérive, ainsi que le cœur Rust et des liaisons zéro‑copie pour Python et R.
Une collection d'algorithmes à la pointe de la technologie pour l'entraînement, le déploiement et l'interprétation des modèles Decision Forest dans Keras.
Ollama pour les modèles ML classiques. Compilateur AOT qui transforme les modèles XGBoost, LightGBM, scikit-learn, CatBoost et ONNX en code d'inférence natif C99. Une commande pour charger, une commande pour servir. 336x plus rapide que l'inférence Python.
Une bibliothèque pour entraîner, évaluer, interpréter et mettre en production des modèles de forêts de décision tels que Random Forest et Gradient Boosted Decision Trees.
SIGKDD'2019: DeepGBM : Un cadre d'apprentissage profond distillé par GBDT pour les tâches de prédiction en ligne
Foire aux questions
Quel est le dépôt #gradient-boosting le plus populaire sur GitHub ?
Le projet #gradient-boosting open source le mieux classé sur GitHub est shap/shap, avec 25,883 étoiles. Une approche de la théorie des jeux pour expliquer la sortie de tout modèle d'apprentissage automatique
Quels langages de programmation sont les plus utilisés dans les dépôts #gradient-boosting ?
Parmi les projets #gradient-boosting les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, Rust.
Comment le classement des dépôts #gradient-boosting est-il calculé ?
Nous suivons 20 dépôts open source actifs associés à #gradient-boosting (500+ étoiles), totalisant 89,943 étoiles, avec une moyenne de 4,497 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.