#xgboost Repository
Scopri 34 repository GitHub open source attivi contrassegnati con #xgboost, che raccolgono un totale di 80,652 stelle (con una media di 2,372 stelle per progetto). Il progetto leader di questo argomento è dmlc/xgboost, con 29,010 stelle.
34 repository in totale
Libreria di Gradient Boosting (GBDT, GBRT o GBM) scalabile, portabile e distribuita, per Python, R, Java, Scala, C e altro. Funziona su singola macchina, Hadoop, Spark, Dask, Flink e DataFlow.
Piattaforma di inferenza AI generativa e predittiva distribuita standardizzata per deployment scalabile e multi-framework su Kubernetes
Alink è la piattaforma di algoritmi di Machine Learning basata su Flink, sviluppata dal team PAI della piattaforma di computing di Alibaba.
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.
Trasforma modelli ML in codice nativo (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) senza dipendenze
Una libreria per il debug/il controllo dei classificatori di machine learning e la spiegazione delle loro previsioni
Mars è un framework unificato basato su tensori per il calcolo di dati su larga scala che scala numpy, pandas, scikit-learn e funzioni Python.
Una collezione di articoli di ricerca su alberi decisionali, di classificazione e di regressione con implementazioni.
Visualizza automaticamente qualsiasi set di dati, di qualsiasi dimensione, con una singola riga di codice. Creato da Ram Seshadri. Collaboratori benvenuti. Autorizzazione concessa su richiesta.
Libreria Python per la previsione di serie temporali utilizzando modelli compatibili con scikit-learn, metodi statistici e modelli fondamentali
Una lista curata di articoli di ricerca su gradient boosting con implementazioni.
Un server di inferenza per i tuoi modelli di machine learning, incluso il supporto per framework multipli, serving di più modelli e altro ancora
Il ponte mancante tra i tuoi modelli di machine learning e i tuoi agenti di IA.
Impressiona il tuo capo con la visualizzazione interattiva dell'albero decisionale
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.
Utilizza strategie avanzate di feature engineering e seleziona le migliori feature dal tuo set di dati con una singola riga di codice. Creato da Ram Seshadri. Collaboratori benvenuti.
Uno strumento di selezione delle funzionalità basato su alberi che combina sia l'algoritmo di selezione delle funzionalità Boruta che i valori Shapley.
📘 Il tracker degli esperimenti per l'addestramento dei modelli fondamentali
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..)
Un'implementazione migliorata e riproducibile di una soluzione di previsione di polimeri Open NeurIPS Kaggle Medaglia d'Argento, con canonicalizzazione SMILES, descrittori molecolari, modelli CatBoost/XGBoost, stacking OOF e GNN PyTorch Geometric opzionali.
Servizio web REST per il vero punteggio in tempo reale (<1 ms) di modelli Scikit-Learn, R e Apache Spark
Un pacchetto Python per la sintonizzazione simultanea degli iperparametri e la selezione delle caratteristiche per i modelli Gradient Boosting.
Un'interfaccia unificata per algoritmi di ottimizzazione ed esperimenti
Crea automaticamente più modelli ML con una sola riga di codice. Creato da Ram Seshadri. Collaboratori benvenuti. Permesso concesso su richiesta.
Domande frequenti
Qual è il repository #xgboost più popolare su GitHub?
Il progetto open source #xgboost più alto in classifica su GitHub è dmlc/xgboost, con 29,010 stelle. Libreria di Gradient Boosting (GBDT, GBRT o GBM) scalabile, portabile e distribuita, per Python, R, Java, Scala, C e altro. Funziona su singola macchina, Hadoop, Spark, Dask, Flink e DataFlow.
Quali linguaggi di programmazione sono più utilizzati nei repository #xgboost?
Tra i progetti #xgboost più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, Go.
Come viene calcolata la classifica dei repository #xgboost?
Monitoriamo 34 repository open source attivi contrassegnati con #xgboost (500+ stelle), per un totale di 80,652 stelle e una media di 2,372 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.