#feature-selection Репозитории
Откройте для себя 18 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #feature-selection, с общим числом 20,050 звёзд (в среднем 1,113 на проект). Лидером этой темы является feature-engine/feature_engine, набравший 2,297 звёзд.
Всего репозиториев: 18
Библиотека Python с открытым исходным кодом для инжиниринга и выбора признаков, совместимая с sklearn.
Селектор признаков — это инструмент для снижения размерности наборов данных машинного обучения
Акции в области глубокого обучения и машинного обучения представляют собой перспективные возможности как для долгосрочных, так и для краткосрочных инвесторов и трейдеров.
Реализации на Python метода Boruta для отбора всех релевантных признаков.
NVTabular — это библиотека для инжиниринга признаков и предварительной обработки табличных данных, разработанная для быстрого и легкого манипулирования наборами данных объемом в терабайты, используемыми для обучения рекомендательных систем на основе глубокого обучения.
Инженерия признаков — это процесс использования знаний в предметной области для извлечения признаков из необработанных данных с помощью методов интеллектуального анализа данных. Эти признаки можно использовать для улучшения производительности алгоритмов машинного обучения. Инженерия признаков можно рассматривать как прикладное машинное обучение само по себе.
Используйте продвинутые стратегии инжиниринга признаков и выбирайте лучшие признаки из вашего набора данных одной строкой кода. Создано Рамом Сешадри. Приглашаем к сотрудничеству.
Инструмент выбора признаков на основе деревьев, который сочетает в себе алгоритм выбора признаков Boruta и значения Shapley.
MRMR (Минимальная избыточность - Максимальная релевантность) для автоматического отбора признаков в больших масштабах.
Пакет Python для одновременной настройки гиперпараметров и выбора признаков для моделей градиентного бустинга.
Линейная модель прогнозирования с автоматизированными возможностями инженерии и выбора признаков
Простая в использовании библиотека Python с настраиваемыми функциями для очистки и анализа данных.
Desbordante — это высокопроизводительный профилировщик данных, способный обнаруживать множество различных закономерностей в данных с помощью различных алгоритмов. Он также позволяет запускать сценарии очистки данных с использованием этих алгоритмов. Desbordante доступен в виде консольной версии и простого в использовании веб-приложения.
Часто задаваемые вопросы
Какой репозиторий по теме #feature-selection наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #feature-selection на GitHub — feature-engine/feature_engine, набравший 2,297 звёзд. Библиотека Python с открытым исходным кодом для инжиниринга и выбора признаков, совместимая с sklearn.
Какие языки программирования чаще всего используются в репозиториях по теме #feature-selection?
Среди наиболее высоко оценённых проектов по теме #feature-selection на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, R, C++.
Как рассчитывается рейтинг репозиториев по теме #feature-selection?
Мы отслеживаем 18 активных репозиториев с открытым исходным кодом, отмеченных тегом #feature-selection (500 и более звёзд), с общим числом 20,050 звёзд и в среднем 1,113 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.