scikit-learn Avis & Détails du Produit - Page 2

Qu'aimez-vous le plus à propos de scikit-learn?

C'est la plateforme d'apprentissage automatique, facile à apprendre, facile à tester

fournit toutes les capacités qu'une plateforme d'apprentissage automatique devrait avoir, beaucoup d'algorithmes comme les encodeurs - encodeur binaire, encodeur one hot

fournit une implémentation pour tous les apprentissages supervisés et non supervisés

fournit toutes les capacités pour valider le modèle

nous pouvons intégrer facilement avec mat plotlib, pandas, numpy et pour les sérialiseurs

beaucoup de tutoriels d'exemples spécifiques disponibles sur internet pour les débutants

C'est open source et totalement gratuit

beaucoup d'autres produits open source et de nombreux produits propriétaires pour l'apprentissage automatique sont développés sur la base de la bibliothèque sci kit

car il fournit une interface python facile à apprendre et à intégrer avec de nombreuses autres plateformes Avis collecté par et hébergé sur G2.com.

Que n’aimez-vous pas à propos de scikit-learn?

il y a deux problèmes que je peux mentionner sont

1. pas possible de mettre à l'échelle horizontalement

2. avoir des problèmes lorsque nous avons des attributs catégoriels dans les variables - les encoder en binaire ou en one hot encoded ne résoudra pas le problème

Beaucoup des technologies récentes comme h20, tensor flow donnent la capacité d'entrer des attributs catégoriels comme entrées à l'algorithme Avis collecté par et hébergé sur G2.com.

Qu'aimez-vous le plus à propos de scikit-learn?

C'est un outil très puissant utilisé en science des données, en particulier dans l'apprentissage automatique. C'est un package open source et gratuit qui joue un rôle important dans l'apprentissage automatique. Il a une grande capacité d'intégration avec d'autres packages tels que matplotlib, numpy et pandas. Il joue un rôle important dans les algorithmes de science des données et d'apprentissage automatique. Avis collecté par et hébergé sur G2.com.

Que n’aimez-vous pas à propos de scikit-learn?

Il a de grandes fonctionnalités. Cependant, il présente quelques inconvénients lorsqu'il s'agit de gérer des attributs catégoriels. Sinon, c'est un package très solide. Je ne vois pas d'autres inconvénients à utiliser ce package. Avis collecté par et hébergé sur G2.com.

Qu'aimez-vous le plus à propos de scikit-learn?

Ensemble d'outils incroyablement utile pour le travail en apprentissage automatique et en science des données. Je l'utilise personnellement en Python et c'est vraiment utile. Certains packages populaires comme pandas, numpy et matplotlib lui ajoutent encore plus de valeur. Je l'utilise toujours en plus des réseaux neuronaux et j'obtiens des solutions en combinaison, et la solution qui donne souvent le meilleur résultat en provient, en travaillant sur différents points. Avis collecté par et hébergé sur G2.com.

Que n’aimez-vous pas à propos de scikit-learn?

Non, rien ne me vient à l'esprit pour la partie des désagréments et je l'ai utilisé pendant quelques années dans des compétitions et projets de machine learning. Ils mettent également à jour scikit-learn assez souvent pour corriger tout problème connu et apporter des améliorations. Avis collecté par et hébergé sur G2.com.

Qu'aimez-vous le plus à propos de scikit-learn?

J'aime le fait qu'il inclut une tonne de fonctionnalités et qu'il intègre presque tous les algorithmes d'apprentissage automatique destinés à l'apprentissage supervisé et non supervisé. Il peut être utilisé pour développer divers algorithmes de régression, de classification et de regroupement. Il utilise une gamme d'algorithmes d'apprentissage automatique, de prétraitement, de validation croisée et de visualisation. Il fournit trois métriques de régression, à savoir l'erreur absolue moyenne, l'erreur quadratique moyenne, le score R². Il fournit également trois métriques de classification, à savoir le score de précision, le rapport de classification, la matrice de confusion. De plus, il fournit trois métriques de regroupement, à savoir l'indice de Rand ajusté, l'homogénéité, la mesure V. Avis collecté par et hébergé sur G2.com.

Que n’aimez-vous pas à propos de scikit-learn?

En plus de l'incapacité à bien s'adapter à l'échelle, il y a aussi le fait que scikit-learn ne fait absolument rien pour aider à déployer le modèle en production. Avis collecté par et hébergé sur G2.com.

Qu'aimez-vous le plus à propos de scikit-learn?

- Il contient de nombreux algorithmes d'apprentissage automatique tels que : forêt aléatoire, arbre de décision, machines à vecteurs de support, analyse discriminante linéaire, analyse discriminante quadratique, régression logistique, perceptron multicouche (réseaux de neurones), naïf bayesien, autres algorithmes de boosting, knn, k-means (et autres algorithmes de clustering)

- Il contient des outils de prétraitement (normalisation, standardisation)

- Il contient des outils de réglage d'hyperparamètres (RandomSearchCV, GridSearchCV)

- Il contient de nombreux types de métriques pour ajuster le modèle (précision, rappel, précision, f1_score, etc.)

et en résumant tout cela, il est possible de développer et créer une application d'apprentissage automatique de bout en bout

Sans oublier que tout cela, ainsi que scikit-learn dans son ensemble, est compatible avec d'autres bibliothèques Python telles que pandas, numpy, mlxtend, matplotlib. Avis collecté par et hébergé sur G2.com.

Que n’aimez-vous pas à propos de scikit-learn?

- Il devrait inclure des algorithmes de pointe plus récents tels que XGBoost, Catboost, LightGBM.

- Il devrait faciliter l'utilisation du GPU, sinon l'ajustement des hyperparamètres prend trop de temps. Avis collecté par et hébergé sur G2.com.

Qu'aimez-vous le plus à propos de scikit-learn?

Divers modèles d'apprentissage automatique et des paramètres faciles à ajuster. Il est également facile d'appliquer une transformation des données avant d'ajuster le modèle. Avis collecté par et hébergé sur G2.com.

Que n’aimez-vous pas à propos de scikit-learn?

Pourriez-vous ajouter plus d'exemples dans la documentation Avis collecté par et hébergé sur G2.com.

Qu'aimez-vous le plus à propos de scikit-learn?

1. J'aime le fait que je puisse essayer une variété d'algorithmes d'apprentissage automatique sans avoir à les construire à partir de zéro. Je les appelle simplement en utilisant des fonctions déjà disponibles.

2. Scikit-learn fournit aux utilisateurs une fonction pour diviser un ensemble de données donné en données d'entraînement et de validation en passant seulement un ratio de division.

3. Scikit-learn s'intègre facilement avec d'autres cadres d'apprentissage profond. Avis collecté par et hébergé sur G2.com.

Que n’aimez-vous pas à propos de scikit-learn?

Je n'ai pas eu de raison de détester scikit-learn pour le moment, car cela m'a aidé à accomplir beaucoup de choses en apprentissage automatique. Avis collecté par et hébergé sur G2.com.

Qu'aimez-vous le plus à propos de scikit-learn?

Scikit learn est tout simplement merveilleux. Il abstrait toutes les complexités de plusieurs cadres de machine learning. Scikit learn offre de magnifiques appels de fonctions en une ligne pour des fonctions vraiment complexes et la documentation est magnifique. Un parfait débutant peut parcourir leur documentation et comprendre car elle est lisible par l'homme. En plus des meilleurs modèles de machine learning allant de la forêt aléatoire, les arbres de décision et la régression linéaire, ils fournissent également des bibliothèques pour le prétraitement des données. Vous pouvez faire du prétraitement des données, du codage one hot et beaucoup d'autres choses avec Scikit Learn. Avis collecté par et hébergé sur G2.com.

Que n’aimez-vous pas à propos de scikit-learn?

Les modèles de Scikit-learn prennent beaucoup de temps à s'entraîner, et ils nécessitent que vos données soient dans un format spécifique. Cela peut être vraiment stressant, surtout lorsque les messages d'erreur ne donnent pas beaucoup d'informations sur le problème. Avis collecté par et hébergé sur G2.com.

Qu'aimez-vous le plus à propos de scikit-learn?

J'aime cette bibliothèque parce qu'il est très facile d'importer la bibliothèque et d'utiliser les modèles d'apprentissage automatique. Ils ont beaucoup de modèles d'apprentissage automatique tels que la forêt aléatoire, xgboost et bien d'autres. Vous n'avez pas besoin de coder à partir de zéro. Ils fournissent également de nombreux paramètres pour ajuster les modèles, ce qui est utile. Avis collecté par et hébergé sur G2.com.

Que n’aimez-vous pas à propos de scikit-learn?

C'est un peu plug and play mais la personnalisation est un peu difficile pour les modèles d'apprentissage automatique. De plus, par rapport à tensorflow, c'est lent. Avis collecté par et hébergé sur G2.com.

Qu'aimez-vous le plus à propos de scikit-learn?

La meilleure partie de scikit-learn est qu'il propose une variété d'algorithmes de régression, de classification et de regroupement. La page de scikit-learn permet de voir quels hyperparamètres doivent être utilisés pour mes données et quelles valeurs je dois donner. Avis collecté par et hébergé sur G2.com.

Que n’aimez-vous pas à propos de scikit-learn?

Rien pour l'instant, mais je suppose que cela pourrait être plus rapide pour les grands ensembles de données. Avis collecté par et hébergé sur G2.com.