mlr pruža to kako biste se mogli usredotočiti na svoje eksperimente!Okvir pruža nadzirane metode poput klasifikacije, regresije i analize preživljavanja zajedno s odgovarajućim metodama ocjenjivanja i optimizacije, kao i neodržavane metode poput grupiranja.Napisano je na način da ga možete sami produžiti ili odstupiti od implementiranih praktičnih metoda i vlastitih složenih eksperimenata.Paket je lijepo povezan s paketom OpenML R koji ima za cilj podržati suradničko strojno učenje putem interneta i omogućava lako dijeljenje skupova podataka kao i zadataka, algoritama i eksperimenata strojnog učenja.Jasno sučelje S3 za R klasifikaciju, regresiju, klasteriranje i metode analize preživljavanja Mogućnost prilagođavanja, predviđanja, procjene i ponovnog uzorka modela Jednostavan mehanizam proširenja kroz nasljeđivanje S3 Sažetak opis učenika i zadataka po svojstvima Parametrski sustav za učenike za kodiranje vrsta podataka i ograničenja Mnogo pogodnostimetode i generički blokovi za eksperimente strojnog učenja Metode ponovnog premještanja poput pokretanja, unakrsna validacija i podskupina Opsežne vizualizacije za npr. ROC krivulje, predviđanja i djelomična predviđanja Benchmarking polaznika za više skupova podataka Jednostavno podešavanje hiperparametara koristeći različite strategije optimizacije, uključujući moćne konfiguratore poputiterirana F-trka (irace) ili sekvencijalna optimizacija zasnovana na modelu Promjenjivi izbor s filtrima i omotima Ugnječeno preusmjeravanje modela s ugađanjem i odabirom značajki Učenje osjetljivo na troškove, podešavanje pragova i korekcija neravnoteže Wrapper mehanizam za proširenje funkcije učenikaprirodnost na složenim i prilagođenim načinima Kombinirajte različite korake obrade u složenom lancu iskopavanja podataka koji se može zajednički optimizirati OpenML konektor za poslužitelj Open Machine Learning Bodovi za proširenje kako biste integrirali svoje stvari Parallelization je ugrađena u Unit-testing ...