scikit-learn Bewertungen & Produktdetails - Seite 5

Was gefällt dir am besten scikit-learn?

Scikit learn ist die Bibliothek für maschinelles Lernen, die so gut dokumentiert ist, dass auch ein unerfahrener Entwickler sie nutzen kann. Die in der Bibliothek implementierten Algorithmen sind die gängigen Algorithmen des maschinellen Lernens und sie können für nahezu jede Datenmenge skaliert werden. Man kann die Algorithmen des maschinellen Lernens in einem normalen Python-Programm verwenden und die Vorteile der Datenanalyse durch ML mit Scikit learn nutzen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Scikit learn hat keinen falschen Hinweis hinterlassen, dass man nicht einmal einen einzigen Beweis dafür finden kann, es nicht zu mögen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Die beste Machine-Learning-Bibliothek, die ich im Internet gefunden habe. Es ist die Bibliothek, die von Experten für Machine-Learning-Übungen verwendet wird. Mit scikit-learn kann man leicht seinen Klassifikator oder ein Regressionsmodell in einer einzigen Zeile entwickeln und dann einfach die Daten durch diesen Klassifikator trainieren, indem man Trainingsdaten übergibt, und man kann auch das trainierte Modell speichern und in Zukunft verwenden. Man kann auch die bekannten ML-Algorithmen anpassen und sie entsprechend den eigenen Anforderungen optimieren. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Nichts auszusetzen an der besten Machine-Learning-Bibliothek. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

- Es ist Open Source.

- Es hat eine große Community-Unterstützung.

- Man kann leicht Tutorials finden, um es zu lernen.

- Detaillierte Dokumentation mit Details. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Es war meine helfende Hand, wenn es um maschinelles Lernen geht. Ich habe kein Problem oder Abneigungen gegen diese sehr großartige und hilfreiche Bibliothek. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Die meisten komplexen Probleme werden leicht gelöst mit Hilfe seines Potentials zur Auswahl von Algorithmen. Es deckt auch die meisten Aufgaben des maschinellen Lernens ab. Es hat eine großartige Benutzeroberfläche und ist ein gut aktualisiertes Modul. Die Skalierbarkeit und Robustheit machen es sehr benutzerfreundlich. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Es wird nicht sehr wahrscheinlich dort verwendet, wo ein hoher Bedarf an statistischen Informationen besteht. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Es deckt die meisten Aufgaben des maschinellen Lernens ab. Es skaliert auf die meisten Datenprobleme. Die Auswahl solider Algorithmen. Ein gut aktualisiertes Modul. Die API-Dokumentation. Die Unterstützung für Kunden. Es ist robust und einfach zu bedienen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Es unterstützt keine GPU-Beschleunigung. Es legt weniger Wert auf Statistik als R. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Die Dokumentation ist sauber und klar, man kann sie leicht verstehen. Wenn man auf Probleme stößt, kann man leicht die Lösung im Internet finden, da es viele Menschen auf der ganzen Welt nutzen. Ich verwende es fast überall, wo ich Machine Learning einsetze. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Keine Abneigungen für eine so gut dokumentierte und hilfreiche Bibliothek. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Scikit-learn ist eine gut dokumentierte Python-Bibliothek, die einfachen Zugang zu vielen prominenten maschinellen Lernalgorithmen bietet. Die Bibliothek ist so konzipiert, dass sie eine konsistente API bietet, unabhängig davon, welchen Algorithmus man verwenden möchte, sodass es einfach ist, einen neuen Algorithmus auszuprobieren, den man noch nie zuvor verwendet hat. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Wie bei jeder Bibliothek dieser Art (Zusammenstellung vieler verschiedener Algorithmen) enthält sie nicht immer den Inhalt, den Sie suchen. Scikit-learn enthält nur die beliebtesten Algorithmen, daher ist es sehr wahrscheinlich, dass Sie keine Implementierung eines spezialisierteren Algorithmus in der Bibliothek finden werden, wenn Sie danach suchen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Sie können Klassifikation, Clustering, Regression, Vorverarbeitung und vieles mehr durchführen. Wenn Sie in der maschinellen Lernforschung arbeiten, würde ich dieses Paket sehr empfehlen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Nichts ist nicht zu mögen. Alles kommt ohne Kosten und ist wirklich effizient. Du musst nur grundlegende Python-Programmierung kennen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

Es hat die besten Bibliotheken, die auf Daten laufen können. Es ist hauptsächlich hilfreich, wenn Sie überwachte oder unbeaufsichtigte maschinelle Lernverfahren auf Ihren Daten durchführen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Python ist langsam. Daher macht die Verwendung der Bibliotheken die Datenanalyse langsam. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt dir am besten scikit-learn?

sklearn bietet eine konsistente Schnittstelle und die Dokumentation ist umfassend. Es ist auch sehr erweiterbar. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? scikit-learn?

Ich würde es vorziehen, dass cross_val_score einen Mechanismus für die Bewertung außerhalb der Stichprobe bietet. Angenommen, Ihre Stichprobe ist neu gewichtet, möchten Sie möglicherweise, dass der n-te Faltensatz für die Bewertung ein unausgeglichener, außerhalb der Stichprobe liegender Datensatz ist, um die tatsächliche Leistung Ihres Modells in der Praxis zu beurteilen. cross_val_score bietet diese Funktionalität nicht. Die Pipeline-Klasse sollte auch einen Mechanismus bieten, um sehr viele Transformationen zu verketten und eine Gitter-Suche nach den besten Parametern über alle Transformationen hinweg zu ermöglichen. Dies ist besonders nützlich in einer NLP-Pipeline, bei der das Stemming, das Entfernen von Stoppwörtern, das Erstellen von N-Grammen usw. eine separate Transformation sein könnte und Sie wissen möchten, welche Transformation und Parameter (z. B. das n in N-Gramm) das beste Ergebnis erzielt haben. Bewertung gesammelt von und auf G2.com gehostet.