gradient-boosting

Une approche basée sur la théorie des jeux pour expliquer les résultats de tout modèle de machine learning.

Un framework de gradient boosting (GBT, GBDT, GBRT, GBM ou MART) rapide, distribué et haute performance basé sur des algorithmes d'arbres de décision, utilisé pour le classement, la classification et de nombreuses autres tâches d'apprentissage automatique.

Un outil d'apprentissage automatique automatisé en Python qui optimise les pipelines de machine learning via la programmation génétique.

Bibliothèque de Gradient Boosting sur arbres de décision rapide, évolutive et performante, utilisée pour le classement, la classification, la régression et d'autres tâches d'apprentissage automatique pour Python, R, Java et C++. Prend en charge le calcul sur CPU et GPU.

Ajuster des modèles interprétables. Expliquer l'apprentissage automatique en boîte noire.

Collection d'articles de recherche sur les arbres de décision, de classification et de régression avec implémentations.

Natural Gradient Boosting pour la prédiction probabiliste

Une liste organisée d'articles de recherche sur le data mining appliqués à la détection de la fraude.

Une liste organisée d'articles de recherche sur le gradient boosting avec leurs implémentations.

Un framework d'ensemble unifié pour PyTorch visant à améliorer les performances et la robustesse de vos modèles de deep learning.

Perpetual est un moteur de gradient boosting haute performance. Il offre une précision optimale en un seul passage sans réglage complexe grâce à un simple paramètre de budget. Il intègre une prise en charge native du ML causal, de l'apprentissage continu, de la calibration native et de la surveillance robuste de la dérive, ainsi qu'un cœur en Rust et des liaisons zéro-copie pour Python et R.

Une collection d'algorithmes de pointe pour l'entraînement, le serving et l'interprétation de modèles de forêts de décision dans Keras.

Ollama pour les modèles de ML classiques. Compilateur AOT qui transforme les modèles XGBoost, LightGBM, scikit-learn, CatBoost et ONNX en code d'inférence C99 natif. Une commande pour charger, une commande pour diffuser. 336 fois plus rapide que l'inférence Python.

Une bibliothèque pour entraîner, évaluer, interpréter et industrialiser des modèles de forêts de décision tels que Random Forest et Gradient Boosted Decision Trees