¡mlr proporciona esto para que pueda concentrarse en sus experimentos!El marco proporciona métodos supervisados ​​como clasificación, regresión y análisis de supervivencia junto con sus correspondientes métodos de evaluación y optimización, así como métodos no supervisados ​​como el agrupamiento.Está escrito de manera que puede extenderlo usted mismo o desviarse de los métodos de conveniencia implementados y sus propios experimentos complejos.El paquete está bien conectado al paquete OpenML R, que tiene como objetivo apoyar el aprendizaje colaborativo en línea y permite compartir fácilmente conjuntos de datos, así como tareas de aprendizaje automático, algoritmos y experimentos.Interfaz clara S3 para los métodos de clasificación R, regresión, agrupación y análisis de supervivencia Posibilidad de ajustar, predecir, evaluar y volver a muestrear modelos Mecanismo de extensión fácil a través de la herencia S3 Descripción abstracta de los alumnos y las tareas por propiedades Sistema de parámetros para que los alumnos codifiquen tipos de datos y restricciones Muchas convenienciasmétodos y componentes básicos genéricos para sus experimentos de aprendizaje automático Métodos de remuestreo como bootstrapping, validación cruzada y submuestreo Amplias visualizaciones para, por ejemplo, curvas ROC, predicciones y predicciones parciales Evaluación comparativa de los alumnos para conjuntos de datos múltiples Ajuste fácil de hiperparámetros usando diferentes estrategias de optimización, incluidos potentes configuradores comoF-racing iterado (Irak) u optimización secuencial basada en modelos Selección de variables con filtros y envolturas Muestreo anidado de modelos con ajuste y selección de características Aprendizaje sensible al costo, ajuste de umbral y corrección de desequilibrio Mecanismo de envoltura para ampliar la función del alumnonality en formas complejas y personalizadas Combine diferentes pasos de procesamiento en una cadena de minería de datos compleja que puede optimizarse conjuntamente con el conector OpenML para el servidor de Open Machine Learning Puntos de extensión para integrar sus propias cosas La paralelización está integrada en pruebas unitarias ...