#decision-trees Repository
Scopri 14 repository GitHub open source attivi contrassegnati con #decision-trees, che raccolgono un totale di 58,478 stelle (con una media di 4,177 stelle per progetto). Il progetto leader di questo argomento è lightgbm-org/LightGBM, con 18,995 stelle.
14 repository in totale
Un framework veloce, distribuito e ad alte prestazioni per il gradient boosting (GBT, GBDT, GBRT, GBM o MART) basato su algoritmi di alberi decisionali, utilizzato per ranking, classificazione e molte altre attività di machine learning.
Una libreria Gradient Boosting on Decision Trees veloce, scalabile e ad alte prestazioni, utilizzata per ranking, classificazione, regressione e altre attività di machine learning per Python, R, Java, C++. Supporta il calcolo su CPU e GPU.
Contiene Soluzioni e Note per la Specializzazione in Machine Learning della Stanford University e Deeplearning.ai - Coursera (2022) del Prof. Andrew NG
Una libreria Python per la visualizzazione di alberi decisionali e l'interpretazione del modello.
Formato universale di scambio e serializzazione di modelli per foreste di alberi decisionali
Impressiona il tuo capo con la visualizzazione interattiva dell'albero decisionale
Una raccolta di algoritmi all'avanguardia per l'addestramento, il serving e l'interpretazione dei modelli Decision Forest in Keras.
Ollama per modelli ML classici. Compilatore AOT che converte modelli XGBoost, LightGBM, scikit-learn, CatBoost e ONNX in codice di inferenza nativo C99. Un comando per caricare, un comando per servire. 336x più veloce dell'inferenza Python.
Una libreria per addestrare, valutare, interpretare e mettere in produzione modelli di foreste decisionali come Random Forest e Gradient Boosted Decision Trees.
Domande frequenti
Qual è il repository #decision-trees più popolare su GitHub?
Il progetto open source #decision-trees più alto in classifica su GitHub è lightgbm-org/LightGBM, con 18,995 stelle. Un framework veloce, distribuito e ad alte prestazioni per il gradient boosting (GBT, GBDT, GBRT, GBM o MART) basato su algoritmi di alberi decisionali, utilizzato per ranking, classificazione e molte altre attività di machine learning.
Quali linguaggi di programmazione sono più utilizzati nei repository #decision-trees?
Tra i progetti #decision-trees più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Jupyter Notebook, C++, Python, JavaScript.
Come viene calcolata la classifica dei repository #decision-trees?
Monitoriamo 14 repository open source attivi contrassegnati con #decision-trees (500+ stelle), per un totale di 58,478 stelle e una media di 4,177 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.