gradient-boosting

Một phương pháp tiếp cận lý thuyết trò chơi để giải thích đầu ra của bất kỳ mô hình machine learning nào.

Một framework gradient boosting (GBT, GBDT, GBRT, GBM hoặc MART) nhanh, phân tán, hiệu suất cao dựa trên thuật toán cây quyết định, được sử dụng cho các tác vụ xếp hạng, phân loại và nhiều tác vụ học máy khác.

Một công cụ Python Automated Machine Learning giúp tối ưu hóa các pipeline machine learning bằng lập trình di truyền.

Một thư viện Gradient Boosting trên cây quyết định nhanh, có thể mở rộng và hiệu năng cao, được sử dụng cho các tác vụ xếp hạng, phân loại, hồi quy và học máy khác cho Python, R, Java, C++. Hỗ trợ tính toán trên CPU và GPU.

Huấn luyện các mô hình dễ giải thích. Giải thích học máy hộp đen.

Bộ sưu tập các bài báo nghiên cứu về cây quyết định, phân loại và hồi quy kèm theo mã nguồn cài đặt.

Natural Gradient Boosting dành cho dự đoán xác suất

Danh sách các bài báo nghiên cứu về khai thác dữ liệu liên quan đến phát hiện gian lận.

Danh sách các bài báo nghiên cứu về gradient boosting kèm theo mã nguồn thực thi.

Một khung ensemble thống nhất cho PyTorch nhằm cải thiện hiệu suất và độ bền vững cho mô hình học sâu của bạn.

Perpetual là một máy gradient boosting hiệu năng cao. Nó mang lại độ chính xác tối ưu trong một lần chạy mà không cần tinh chỉnh phức tạp thông qua một tham số ngân sách đơn giản. Nó hỗ trợ sẵn các tính năng causal ML, continual learning, hiệu chuẩn gốc và giám sát độ lệch mạnh mẽ, cùng với lõi Rust và các liên kết zero-copy cho Python và R

Bộ sưu tập các thuật toán hiện đại để huấn luyện, phục vụ và diễn giải các mô hình Decision Forest trong Keras.

Ollama cho các mô hình ML cổ điển. Trình biên dịch AOT chuyển đổi các mô hình XGBoost, LightGBM, scikit-learn, CatBoost và ONNX thành mã suy luận C99 gốc. Một lệnh để tải, một lệnh để phục vụ. Nhanh hơn 336 lần so với suy luận bằng Python.

Một thư viện để huấn luyện, đánh giá, diễn giải và đưa vào sản xuất các mô hình rừng quyết định như Random Forest và Gradient Boosted Decision Trees.