#random-forest Repository
Scopri 26 repository GitHub open source attivi contrassegnati con #random-forest, che raccolgono un totale di 57,940 stelle (con una media di 2,228 stelle per progetto). Il progetto leader di questo argomento è EpistasisLab/tpot, con 10,051 stelle.
26 repository in totale
Uno strumento di Automated Machine Learning in Python che ottimizza i pipeline di machine learning utilizzando la programmazione genetica.
H2O è una Piattaforma di Machine Learning Open Source, Distribuita, Veloce e Scalabile: Deep Learning, Gradient Boosting (GBM) & XGBoost, Random Forest, Generalized Linear Modeling (GLM con Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML), ecc.
Una libreria veloce per AutoML e tuning. Unisciti al nostro Discord: https://discord.gg/Cppx2vSPVP.
Pacchetto Python per AutoML su dati tabulari con Feature Engineering, Tuning degli Iper-Parametri, Spiegazioni e Documentazione Automatica
Una libreria Python per la visualizzazione di alberi decisionali e l'interpretazione del modello.
Una collezione di articoli di ricerca su alberi decisionali, di classificazione e di regressione con implementazioni.
Una lista curata di articoli di data mining sulla rilevazione delle frodi.
SMAC3: Un pacchetto versatile di ottimizzazione bayesiana per l'ottimizzazione degli iperparametri
Una lista curata di articoli di ricerca su gradient boosting con implementazioni.
Un framework Python efficiente, scalabile e ottimizzato per Deep Forest (2021.2.1)
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.
Una libreria per addestrare, valutare, interpretare e mettere in produzione modelli di foreste decisionali come Random Forest e Gradient Boosted Decision Trees.
Codice per calcolare le importanze di permutazione e drop-column nei modelli Python scikit-learn
ProphitBet è un’applicazione per prevedere le scommesse sul calcio basata sul machine learning. Analizza la forma delle squadre, calcola le statistiche delle partite e ne prevede gli esiti utilizzando metodi avanzati di machine learning (ML). Inoltre, offre agenti di scommessa basati sul deep reinforcement learning (DRL), in grado di apprendere strategie di scommessa ottimali.
Codice per IDS-ML: sviluppo di sistemi di rilevamento delle intrusioni utilizzando algoritmi di machine learning (Decision tree, random forest, extra trees, XGBoost, stacking, k-means, ottimizzazione bayesiana..)
Compendio di risorse gratuite di lettura sul ML
🌲 Implementazione dell'algoritmo Robust Random Cut Forest per il rilevamento di anomalie su stream
Domande frequenti
Qual è il repository #random-forest più popolare su GitHub?
Il progetto open source #random-forest più alto in classifica su GitHub è EpistasisLab/tpot, con 10,051 stelle. Uno strumento di Automated Machine Learning in Python che ottimizza i pipeline di machine learning utilizzando la programmazione genetica.
Quali linguaggi di programmazione sono più utilizzati nei repository #random-forest?
Tra i progetti #random-forest più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, JavaScript.
Come viene calcolata la classifica dei repository #random-forest?
Monitoriamo 26 repository open source attivi contrassegnati con #random-forest (500+ stelle), per un totale di 57,940 stelle e una media di 2,228 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.