Un benchmark minimal pour l'évolutivité, la vitesse et la précision des implémentations open source couramment utilisées (paquets R, scikit-learn Python, H2O, xgboost, Spark MLlib, etc.) des meilleurs algorithmes d'apprentissage automatique pour la classification binaire (forêts aléatoires, gradient bo
Exécutez des tests pour comparer la vitesse et la précision des algorithmes d'apprentissage automatique populaires pour les tâches de classification binaire.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentUn benchmark minimal pour l'évolutivité, la vitesse et la précision des implémentations open source couramment utilisées (paquets R, scikit-learn Python, H2O, xgboost, Spark MLlib, etc.) des meilleurs algorithmes d'apprentissage automatique pour la classification binaire (forêts aléatoires, gradient bo
benchm-ml compte 1.9k étoiles sur GitHub. Il a été forké 327 fois. benchm-ml est écrit principalement en R. Il est développé activement depuis 2015. benchm-ml est disponible sous licence MIT. Ses principaux thèmes sont : data-science, deep-learning, gradient-boosting-machine, h2o.
Un benchmark minimal pour l'évolutivité, la vitesse et la précision des implémentations open source couramment utilisées (paquets R, scikit-learn Python, H2O, xgboost, Spark MLlib, etc.) des meilleurs algorithmes d'apprentissage automatique pour la classification binaire (forêts aléatoires, gradient bo
benchm-ml est un projet open source. Il est distribué sous licence MIT.
Oui. benchm-ml est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
benchm-ml est disponible sous licence MIT.
benchm-ml est écrit principalement en R.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://opensourceai.tech/project/szilard-benchm-ml.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.