#xgboost Dépôts
Découvrez 34 dépôts GitHub open source actifs associés à #xgboost, cumulant 80,652 étoiles au total (soit une moyenne de 2,372 étoiles par projet). Le projet en tête de ce thème est dmlc/xgboost, avec 29,010 étoiles.
34 dépôts au total
Bibliothèque de Gradient Boosting (GBDT, GBRT ou GBM) évolutive, portable et distribuée, pour Python, R, Java, Scala, C et plus. Fonctionne sur une seule machine, Hadoop, Spark, Dask, Flink et DataFlow.
Plateforme d'inférence IA générative et prédictive distribuée standardisée pour un déploiement scalable et multi-framework sur Kubernetes
Alink est la plateforme d'algorithmes d'apprentissage automatique basée sur Flink, développée par l'équipe PAI de la plateforme de calcul Alibaba.
Paquet Python pour AutoML sur des données tabulaires avec ingénierie des caractéristiques, réglage des hyper-paramètres, explications et documentation automatique
Une bibliothèque Python pour la visualisation des arbres de décision et l'interprétation de modèles.
Transformez les modèles ML en code natif (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) sans dépendances
Une bibliothèque pour déboguer/inspecter les classificateurs d'apprentissage automatique et expliquer leurs prédictions
Mars est un cadre unifié basé sur les tenseurs pour le calcul de données à grande échelle qui met à l'échelle numpy, pandas, scikit-learn et les fonctions Python.
Une collection d'articles de recherche sur les arbres de décision, de classification et de régression avec implémentations.
Visualisez automatiquement n'importe quel jeu de données, de n'importe quelle taille, avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus. Autorisation accordée sur demande.
Bibliothèque Python pour la prévision de séries temporelles utilisant des modèles compatibles avec scikit-learn, des méthodes statistiques et des modèles fondamentaux
DS & ML Python évolutifs, d'une manière compatible avec les API et ultra-rapide.
Une liste sélectionnée de papiers de recherche sur le gradient boosting avec implémentations.
Un serveur d'inférence pour vos modèles d'apprentissage automatique, incluant la prise en charge de plusieurs frameworks, le service multi-modèles et plus encore
Impressionnez votre patron avec une visualisation interactive d'arbre de décision
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.
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.
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..)
Une implémentation améliorée et reproductible d'une solution de prédiction de polymères open-source NeurIPS Kaggle Médaille d'Argent, avec canonicalisation SMILES, descripteurs moléculaires, modèles CatBoost/XGBoost, stacking OOF, et GNN PyTorch Geometric optionnels.
Service web REST pour le scoring en temps réel véritable (<1 ms) des modèles Scikit-Learn, R et Apache Spark
Un package Python pour le réglage simultané des hyperparamètres et la sélection des caractéristiques pour les modèles Gradient Boosting.
Une interface unifiée pour les algorithmes d'optimisation et les expériences
Construisez automatiquement plusieurs modèles ML avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus. Autorisation accordée sur demande.
Foire aux questions
Quel est le dépôt #xgboost le plus populaire sur GitHub ?
Le projet #xgboost open source le mieux classé sur GitHub est dmlc/xgboost, avec 29,010 étoiles. Bibliothèque de Gradient Boosting (GBDT, GBRT ou GBM) évolutive, portable et distribuée, pour Python, R, Java, Scala, C et plus. Fonctionne sur une seule machine, Hadoop, Spark, Dask, Flink et DataFlow.
Quels langages de programmation sont les plus utilisés dans les dépôts #xgboost ?
Parmi les projets #xgboost les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, Go.
Comment le classement des dépôts #xgboost est-il calculé ?
Nous suivons 34 dépôts open source actifs associés à #xgboost (500+ étoiles), totalisant 80,652 étoiles, avec une moyenne de 2,372 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.