scikit-learn Bewertungen & Produktdetails - Seite 2

Was gefällt dir am besten scikit-learn?

Es ist die Plattform für maschinelles Lernen, einfach zu lernen, einfach zu testen, bietet alle Fähigkeiten, die jede Plattform für maschinelles Lernen haben sollte, viele Algorithmen wie Encoder - Binärcodec, One-Hot-Encoder, bietet Implementierung für alle überwachten und unüberwachten Lernmethoden, bietet alle Möglichkeiten zur Validierung des Modells, wir können leicht mit Matplotlib, Pandas, Numpy und für Serialisierer integrieren, viele spezifische Beispiel-Tutorials im Internet verfügbar für Anfänger, es ist Open Source und völlig kostenlos, viele der anderen Open-Source- und viele proprietäre Produkte für ML werden auf der Sci-Kit-Bibliothek entwickelt, da es eine Python-Schnittstelle bietet, die leicht zu erlernen und mit vielen anderen Plattformen zu integrieren ist. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

es gibt zwei Probleme, die ich erwähnen kann, sind

1. nicht möglich, horizontal zu skalieren

2. Probleme, wenn wir kategoriale Attribute in Variablen haben - sie in binäre oder One-Hot-Codierung zu kodieren, wird das Problem nicht lösen

Viele der jüngsten Technologien wie h2o, TensorFlow bieten die Möglichkeit, kategoriale Attribute als Eingaben für den Algorithmus zu verwenden. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Es ist ein sehr starkes Werkzeug, das in der Datenwissenschaft, insbesondere im maschinellen Lernen, verwendet wird. Es ist ein Open-Source- und kostenloses Paket, das eine große Rolle im maschinellen Lernen spielt. Es hat die großartige Fähigkeit, dass wir es mit anderen Paketen wie Matplotlib, Numpy und Pandas integrieren können. Es spielt eine große Rolle in der Datenwissenschaft und bei Algorithmen des maschinellen Lernens. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Es hat großartige Funktionen. Allerdings hat es einige Nachteile im Umgang mit kategorialen Attributen. Ansonsten ist es ein sehr starkes Paket. Ich sehe keine weiteren Nachteile bei der Verwendung dieses Pakets. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Erstaunlich nützliches Werkzeugset für maschinelles Lernen und Datenwissenschaftsarbeit. Ich persönlich benutze es in Python und es ist wirklich hilfreich. Einige beliebte Pakete wie Pandas, Numpy und Matplotlib fügen ihm noch mehr Wert hinzu. Ich verwende es immer neben neuronalen Netzwerken und erziele Lösungen als Kombination, und die Lösung, die das beste Ergebnis liefert, kommt oft davon, indem man an verschiedenen Punkten arbeitet. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Nein, mir fällt nichts ein, was ich nicht mag, und ich habe es seit ein paar Jahren in Machine-Learning-Wettbewerben und -Projekten verwendet. Sie aktualisieren scikit-learn auch ziemlich oft, um bekannte Probleme zu beheben und Verbesserungen vorzunehmen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Ich mag die Tatsache, dass es eine Vielzahl von Funktionalitäten umfasst und fast alle für überwachte und unüberwachte Lernverfahren bestimmten Machine-Learning-Algorithmen integriert.

Es kann verwendet werden, um verschiedene Regressions-, Klassifikations- und Clustering-Algorithmen zu entwickeln.

Es nutzt eine Reihe von Machine-Learning-, Vorverarbeitungs-, Kreuzvalidierungs- und Visualisierungsalgorithmen.

Es bietet drei Regressionsmetriken, nämlich den mittleren absoluten Fehler, den mittleren quadratischen Fehler und den R²-Wert.

Es bietet auch drei Klassifikationsmetriken, nämlich den Genauigkeitswert, den Klassifikationsbericht und die Konfusionsmatrix.

Zusätzlich bietet es drei Clustering-Metriken, nämlich den angepassten Rand-Index, die Homogenität und das V-Maß. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Abgesehen von der mangelnden Skalierbarkeit gibt es auch die Tatsache, dass scikit-learn absolut nichts zur Unterstützung der Bereitstellung des Modells in der Produktion beiträgt. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

- Es enthält viele maschinelle Lernalgorithmen wie: Random Forest, Entscheidungsbaum, Support Vector Machines, Lineare Diskriminanzanalyse, Quadratische Diskriminanzanalyse, Logistische Regression, Mehrschichtiger Perzeptron (neuronale Netze), Naive Bayes, andere Boosting-Algorithmen, KNN, K-Means (und andere Clustering-Algorithmen)

- Es enthält Vorverarbeitungstools (Normalisierung, Standardisierung)

- Es enthält Hyperparameter-Tuning-Tools (RandomSearchCV, GridSearchCV)

- Es enthält viele Arten von Metriken, um das Modell zu optimieren (Genauigkeit, Rückruf, Präzision, F1-Score, etc.)

und zusammenfassend ist es möglich, eine End-to-End-Maschinenlern-Anwendung zu entwickeln und zu erstellen. Ganz zu schweigen davon, dass all diese oben genannten zusammen mit Scikit-Learn als Ganzes mit anderen Python-Bibliotheken wie Pandas, Numpy, Mlxtend, Matplotlib kompatibel sind. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

- Es sollte neuere hochmoderne Algorithmen wie XGBoost, Catboost, LightGBM enthalten.

- Es sollte die GPU unterstützen, da sonst die Abstimmung der Hyperparameter zu viel Zeit in Anspruch nimmt. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Verschiedene maschinelle Lernmodelle und leicht anpassbare Parameter. Auch einfach, Datenumwandlungen vor der Anpassung des Modells anzuwenden. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Könnten Sie mehr Beispiele in die Dokumentation aufnehmen? Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

1. Ich liebe die Tatsache, dass ich eine Vielzahl von maschinellen Lernalgorithmen ausprobieren kann, ohne sie von Grund auf neu erstellen zu müssen. Ich rufe sie einfach mit bereits verfügbaren Funktionen auf.

2. Scikit-learn bietet den Benutzern eine Funktion, um ein gegebenes Datenset in Trainings- und Validierungsdaten zu teilen, indem man nur ein Teilungsverhältnis angibt.

3. Scikit-learn integriert sich problemlos mit anderen Deep-Learning-Frameworks. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Ich habe im Moment keinen Grund, scikit-learn zu hassen, da es mir geholfen hat, viel im Bereich des maschinellen Lernens zu erreichen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Scikit Learn ist einfach wunderbar. Es abstrahiert alle Komplexitäten mehrerer maschineller Lern-Frameworks. Scikit Learn bietet wunderschöne Einzeilen-Funktionsaufrufe für wirklich komplexe Funktionen und die Dokumentation ist wunderschön. Ein kompletter Neuling kann ihre Dokumentation durchgehen und verstehen, da sie menschenlesbar ist. Zusätzlich zu den besten maschinellen Lernmodellen, die von Random Forest, Entscheidungsbäumen bis hin zu linearer Regression reichen, bieten sie auch Bibliotheken für die Datenvorverarbeitung. Sie können Datenvorverarbeitung, One-Hot-Encoding und viele andere Dinge mit Scikit Learn durchführen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Scikit-Learn-Modelle benötigen lange, um trainiert zu werden, und sie erfordern, dass Ihre Daten in einem bestimmten Format vorliegen. Dies kann wirklich stressig sein, besonders wenn die Fehlermeldungen nicht viel Einblick in das Problem geben. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Ich mag diese Bibliothek, weil es sehr einfach ist, die Bibliothek zu importieren und die Machine-Learning-Modelle zu verwenden. Sie haben viele Machine-Learning-Modelle wie Random Forest, XGBoost und viele mehr. Man muss nicht von Grund auf neu programmieren. Sie bieten auch viele Parameter, um die Modelle anzupassen, was hilfreich ist. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Es ist eine Art Plug-and-Play, aber die Anpassung ist für die maschinellen Lernmodelle etwas schwierig. Außerdem ist es im Vergleich zu TensorFlow langsam. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Der beste Teil von scikit-learn ist, dass es eine Vielzahl von Regressions-, Klassifikations- und Clustering-Algorithmen bietet. Die Seite von scikit-learn ermöglicht es, zu sehen, welche Hyperparameter für meine Daten verwendet werden sollen und welche Werte ich angeben sollte. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Nichts im Moment, aber ich denke, es könnte bei großen Datensätzen schneller sein. Bewertung gesammelt von und auf G2.com gehostet.