Git Stars Git Stars

#random-forest Dépôts

Découvrez 26 dépôts GitHub open source actifs associés à #random-forest, cumulant 57,940 étoiles au total (soit une moyenne de 2,228 étoiles par projet). Le projet en tête de ce thème est EpistasisLab/tpot, avec 10,051 étoiles.

26
Total des Dépôts
57,940
Nombre total d'étoiles
2,228
Moyenne d'Étoiles/Dépôt
1
EpistasisLab/tpot

Un outil de Machine Learning Automatisé en Python qui optimise les pipelines de machine learning en utilisant la programmation génétique.

EpistasisLab
⭐ 10,051 Jupyter Notebook 👤 EpistasisLab Organization 🕐 Mis à jour 2025-09-11 📅 Créé 2015-11-03
2
h2oai/h2o-3

H2O est une Plateforme d'Apprentissage Automatique Open Source, Distribuée, Rapide et Évolutive : Deep Learning, Gradient Boosting (GBM) & XGBoost, Random Forest, Generalized Linear Modeling (GLM avec Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML), etc.

h2oai
⭐ 7,527 Jupyter Notebook 👤 h2oai Organization 🕐 Mis à jour 2026-11-11 📅 Créé 2014-03-03
3
biolab/orange3

🍊 :bar_chart: :bulb: Orange: Analyse de données interactive

biolab
⭐ 5,759 Python 👤 biolab Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2013-02-22
4
susanli2016/Machine-Learning-with-Python

Code Python pour les algorithmes courants d'apprentissage automatique

susanli2016
⭐ 4,580 Jupyter Notebook 👤 susanli2016 User 🕐 Mis à jour 2025-06-05 📅 Créé 2017-05-26
5
microsoft/FLAML

Une bibliothèque rapide pour AutoML et le réglage. Rejoignez notre Discord : https://discord.gg/Cppx2vSPVP.

microsoft
⭐ 4,422 Jupyter Notebook 👤 microsoft Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2020-08-20
6
mljar/mljar-supervised

Paquet Python pour AutoML sur des données tabulaires avec ingénierie des caractéristiques, réglage des hyper-paramètres, explications et documentation automatique

mljar
⭐ 3,306 Python 👤 mljar Organization 🕐 Mis à jour 2026-11-05 📅 Créé 2018-11-05
7
parrt/dtreeviz

Une bibliothèque Python pour la visualisation des arbres de décision et l'interprétation de modèles.

parrt
⭐ 3,161 Jupyter Notebook 👤 parrt User 🕐 Mis à jour 2026-01-02 📅 Créé 2018-08-13
8
benedekrozemberczki/awesome-decision-tree-papers

Une collection d'articles de recherche sur les arbres de décision, de classification et de régression avec implémentations.

benedekrozemberczki
⭐ 2,480 Python 👤 benedekrozemberczki User 🕐 Mis à jour 2025-12-28 📅 Créé 2019-05-11
9
benedekrozemberczki/awesome-fraud-detection-papers

Une liste curated de papiers de data mining sur la détection de fraudes.

benedekrozemberczki
⭐ 1,843 Python 👤 benedekrozemberczki User 🕐 Mis à jour 2026-01-05 📅 Créé 2019-05-27
10
kk7nc/Text_Classification

Algorithmes de classification de texte : Un aperçu

kk7nc
⭐ 1,827 Python 👤 kk7nc User 🕐 Mis à jour 2025-04-01 📅 Créé 2018-07-06
11
nivu/ai_all_resources

Une liste sélectionnée des meilleures ressources en Intelligence Artificielle

nivu
⭐ 1,543 Jupyter Notebook 👤 nivu User 🕐 Mis à jour 2026-09-19 📅 Créé 2019-12-26
12
automl/SMAC3

SMAC3 : Un package polyvalent d'optimisation bayésienne pour l'optimisation des hyperparamètres

automl
⭐ 1,273 Python 👤 automl Organization 🕐 Mis à jour 2026-11-18 📅 Créé 2016-08-17
13
grf-labs/grf

Forêts Aléatoires Généralisées

grf-labs
⭐ 1,121 C++ 👤 grf-labs Organization 🕐 Mis à jour 2026-04-30 📅 Créé 2016-08-12
14
benedekrozemberczki/awesome-gradient-boosting-papers

Une liste sélectionnée de papiers de recherche sur le gradient boosting avec implémentations.

benedekrozemberczki
⭐ 1,053 Python 👤 benedekrozemberczki User 🕐 Mis à jour 2026-01-05 📅 Créé 2019-05-11
15
LAMDA-NJU/Deep-Forest

Un framework Python efficace, évolutif et optimisé pour Deep Forest (2021.2.1)

LAMDA-NJU
⭐ 961 Python 👤 LAMDA-NJU Organization 🕐 Mis à jour 2026-05-18 📅 Créé 2021-01-27
16
emlearn/emlearn

Moteur d'inférence Machine Learning pour Microcontrôleurs et Dispositifs Embarqués

emlearn
⭐ 776 Python 👤 emlearn Organization 🕐 Mis à jour 2026-11-10 📅 Créé 2018-03-16
17
Xtra-Computing/thundergbm

ThunderGBM : GBDT rapides et forêts aléatoires sur GPU

Xtra-Computing
⭐ 713 C++ 👤 Xtra-Computing Organization 🕐 Mis à jour 2025-03-19 📅 Créé 2016-11-11
18
mljar/supertree

Impressionnez votre patron avec une visualisation interactive d'arbre de décision

mljar
⭐ 700 JavaScript 👤 mljar Organization 🕐 Mis à jour 2026-08-11 📅 Créé 2024-07-24
19
tensorflow/decision-forests

Une collection d'algorithmes à la pointe de la technologie pour l'entraînement, le déploiement et l'interprétation des modèles Decision Forest dans Keras.

tensorflow
⭐ 693 Python 👤 tensorflow Organization 🕐 Mis à jour 2026-05-19 📅 Créé 2021-04-22
20
google/yggdrasil-decision-forests

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.

google
⭐ 680 C++ 👤 google Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2021-04-22
21
parrt/random-forest-importances

Code pour calculer les importances de permutation et de suppression de colonnes dans les modèles Python scikit-learn

parrt
⭐ 625 Jupyter Notebook 👤 parrt User 🕐 Mis à jour 2025-03-24 📅 Créé 2018-03-22
22
kochlisGit/ProphitBet-Soccer-Bets-Predictor

ProphitBet est une application de prédiction des paris sur le football basée sur l’apprentissage automatique. Elle analyse la forme des équipes, calcule les statistiques des matchs et en prédit les résultats à l’aide de méthodes avancées d’apprentissage automatique (ML). Elle propose également des agents de paris basés sur l’apprentissage par renforcement profond (DRL), capables d’apprendre des stratégies de pari optimales.

kochlisGit
⭐ 606 Python 👤 kochlisGit User 🕐 Mis à jour 2026-10-27 📅 Créé 2022-03-18
23
Western-OC2-Lab/Intrusion-Detection-System-Using-Machine-Learning

Code pour IDS-ML : développement de systèmes de détection d'intrusion utilisant des algorithmes d'apprentissage automatique (Arbre de décision, forêt aléatoire, arbres supplémentaires, XGBoost, empilement, k-means, optimisation bayésienne..)

Western-OC2-Lab
⭐ 602 Jupyter Notebook 👤 Western-OC2-Lab Organization 🕐 Mis à jour 2026-04-01 📅 Créé 2021-05-25
24
Carl-McBride-Ellis/Compendium-of-free-ML-reading-resources

Compendium de ressources gratuites de lecture en apprentissage automatique

Carl-McBride-Ellis
⭐ 580 👤 Carl-McBride-Ellis User 🕐 Mis à jour 2026-11-07 📅 Créé 2023-09-01
25
machinelearnjs/machinelearnjs

Bibliothèque de Machine Learning pour le web et Node.

machinelearnjs
⭐ 541 TypeScript 👤 machinelearnjs Organization 🕐 Mis à jour 2026-02-07 📅 Créé 2018-04-29
26
kLabUM/rrcf

🌲 Implémentation de l'algorithme Robust Random Cut Forest pour la détection d'anomalies sur les flux

kLabUM
⭐ 519 Python 👤 kLabUM Organization 🕐 Mis à jour 2024-02-24 📅 Créé 2018-10-20

Foire aux questions

1

Quel est le dépôt #random-forest le plus populaire sur GitHub ?

Le projet #random-forest open source le mieux classé sur GitHub est EpistasisLab/tpot, avec 10,051 étoiles. Un outil de Machine Learning Automatisé en Python qui optimise les pipelines de machine learning en utilisant la programmation génétique.

2

Quels langages de programmation sont les plus utilisés dans les dépôts #random-forest ?

Parmi les projets #random-forest les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, JavaScript.

3

Comment le classement des dépôts #random-forest est-il calculé ?

Nous suivons 26 dépôts open source actifs associés à #random-forest (500+ étoiles), totalisant 57,940 étoiles, avec une moyenne de 2,228 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.