#feature-selection Repositórios
Descubra 18 repositórios ativos de código aberto no GitHub marcados com #feature-selection, acumulando um total de 20,050 estrelas (uma média de 1,113 por projeto). O líder deste tópico é feature-engine/feature_engine, com 2,297 estrelas.
18 repositórios no total
Biblioteca Python de código aberto para engenharia e seleção de recursos compatível com sklearn.
O seletor de recursos é uma ferramenta para redução de dimensionalidade de conjuntos de dados de aprendizado de máquina
As ações de Deep Learning e Machine Learning representam oportunidades promissoras tanto para investidores de longo prazo quanto para traders de curto prazo.
Implementações em Python do método de seleção de características all-relevant Boruta.
NVTabular é uma biblioteca de engenharia e pré-processamento de features para dados tabulares, projetada para manipular de forma rápida e fácil conjuntos de dados em escala de terabytes usados para treinar sistemas de recomendação baseados em deep learning.
A engenharia de recursos é o processo de usar o conhecimento do domínio para extrair recursos de dados brutos por meio de técnicas de mineração de dados. Esses recursos podem ser usados para melhorar o desempenho de algoritmos de aprendizado de máquina. A engenharia de recursos pode ser considerada como aprendizado de máquina aplicado em si.
Use estratégias avançadas de engenharia de recursos e selecione os melhores recursos do seu conjunto de dados com uma única linha de código. Criado por Ram Seshadri. Colaboradores são bem-vindos.
Uma ferramenta de seleção de recursos baseada em árvores que combina o algoritmo de seleção de recursos Boruta com os valores de Shapley.
mRMR (minimum-Redundancy-Maximum-Relevance) para seleção automática de características em escala.
Um pacote Python para Ajuste Simultâneo de Hiperparâmetros e Seleção de Recursos para Modelos de Gradient Boosting.
Modelo de Predição Linear com Recursos Automatizados de Engenharia e Seleção de Recursos
Biblioteca Python fácil de usar com funções personalizadas para limpeza e análise de dados.
Desbordante é um perfilador de dados de alto desempenho capaz de descobrir muitos padrões diferentes nos dados usando vários algoritmos. Ele também permite executar cenários de limpeza de dados utilizando esses algoritmos. O Desbordante possui uma versão para console e uma aplicação web fácil de usar.
Perguntas Frequentes
Qual é o repositório de #feature-selection mais popular no GitHub?
O projeto de código aberto de #feature-selection mais bem classificado no GitHub é feature-engine/feature_engine, com 2,297 estrelas. Biblioteca Python de código aberto para engenharia e seleção de recursos compatível com sklearn.
Quais linguagens de programação são mais usadas nos repositórios de #feature-selection?
Entre os projetos de #feature-selection mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, R, C++.
Como é calculada a classificação dos repositórios de #feature-selection?
Acompanhamos 18 repositórios ativos de código aberto marcados com #feature-selection (com mais de 500 estrelas), totalizando 20,050 estrelas e uma média de 1,113 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.