scikit-learn Avaliações e Detalhes do Produto - Página 5

O que você mais gosta scikit-learn?

Scikit learn é a biblioteca para aprendizado de máquina que é bem documentada, de modo que um desenvolvedor de aprendizado de máquina inexperiente também pode usá-la. Os algoritmos que são implementados na biblioteca são os algoritmos comuns de aprendizado de máquina e podem escalar para quase todos os tamanhos de dados. Você pode facilmente usar os algoritmos de aprendizado de máquina em um programa Python normal e aproveitar a análise de dados através do aprendizado de máquina usando scikit learn. Análise coletada por e hospedada no G2.com.

O que você não gosta scikit-learn?

Scikit learn não deixou nenhuma pista falsa além disso, você não pode encontrar uma única evidência para não gostar dele. Análise coletada por e hospedada no G2.com.

O que você mais gosta scikit-learn?

A melhor biblioteca de aprendizado de máquina que encontrei na web. É a biblioteca que é usada pelos especialistas para exercícios de aprendizado de máquina. Com o scikit-learn, você pode facilmente desenvolver seu classificador ou modelo de regressão em uma única linha e, em seguida, treinar seus dados através desse classificador passando dados de treinamento para ele e também pode salvar o modelo treinado e usá-lo no futuro. Você também pode personalizar os famosos algoritmos de ML e ajustá-los de acordo com seu uso. Análise coletada por e hospedada no G2.com.

O que você não gosta scikit-learn?

Nada para não gostar sobre a melhor biblioteca de aprendizado de máquina. Análise coletada por e hospedada no G2.com.

O que você mais gosta scikit-learn?

- É de código aberto.

- Tem um grande apoio da comunidade.

- Pode-se facilmente encontrar tutoriais para aprendê-lo.

- Documentação detalhada com detalhes. Análise coletada por e hospedada no G2.com.

O que você não gosta scikit-learn?

Tem sido minha mão amiga quando se trata de Machine Learning. Não tenho problema ou desgosto por esta biblioteca muito boa e útil. Análise coletada por e hospedada no G2.com.

O que você mais gosta scikit-learn?

A maioria dos problemas complexos são resolvidos facilmente com a ajuda de seu potencial de seleção de algoritmos. Ele também abrange a maioria das tarefas de aprendizado de máquina. Tem uma ótima interface e é um módulo bem atualizado. A escalabilidade e a robustez tornam-no muito fácil de usar. Análise coletada por e hospedada no G2.com.

O que você não gosta scikit-learn?

Não é muito provável que seja usado onde há uma alta exigência de informações estatísticas. Análise coletada por e hospedada no G2.com.

O que você mais gosta scikit-learn?

Ele abrange a maioria das tarefas de aprendizado de máquina. Ele escala para a maioria dos problemas de dados. A seleção de algoritmos sólidos. Um módulo bem atualizado. A documentação da API. O suporte ao cliente. É robusto e fácil de usar. Análise coletada por e hospedada no G2.com.

O que você não gosta scikit-learn?

Ele não suporta aceleração de GPU. Ele tem menos foco em estatísticas do que o R. Análise coletada por e hospedada no G2.com.

O que você mais gosta scikit-learn?

A documentação é limpa e clara, podendo ser facilmente compreendida. Se você enfrentar algum problema, pode facilmente encontrar a solução na internet, pois há muitas pessoas usando ao redor do mundo. Eu quase uso em todos os lugares onde uso Aprendizado de Máquina. Análise coletada por e hospedada no G2.com.

O que você não gosta scikit-learn?

Sem aversões por uma biblioteca tão bem documentada e útil. Análise coletada por e hospedada no G2.com.

O que você mais gosta scikit-learn?

Scikit-learn é uma biblioteca Python bem documentada que oferece fácil acesso a muitos algoritmos de aprendizado de máquina proeminentes. A biblioteca é projetada de tal forma que possui uma API consistente, independentemente do algoritmo que você escolha usar, tornando fácil adotar e experimentar um novo algoritmo que você nunca usou antes. Análise coletada por e hospedada no G2.com.

O que você não gosta scikit-learn?

Como em qualquer biblioteca deste tipo (compilação de muitos algoritmos diferentes), nem sempre contém o conteúdo que você está procurando. O Scikit-learn contém apenas os algoritmos mais populares, então, se você estiver procurando por uma implementação de um algoritmo mais especializado, é muito possível que você não o encontre na biblioteca. Análise coletada por e hospedada no G2.com.

O que você mais gosta scikit-learn?

Você pode fazer classificação, agrupamento, regressão, pré-processamento e muito mais. Se você está trabalhando em pesquisa baseada em aprendizado de máquina, eu recomendaria fortemente este pacote. Análise coletada por e hospedada no G2.com.

O que você não gosta scikit-learn?

Nada é desagradável. Tudo vem sem custo e é realmente eficiente. Você só precisa saber o básico de programação em Python. Análise coletada por e hospedada no G2.com.

O que você mais gosta scikit-learn?

Possui as melhores bibliotecas que podem ser executadas em dados. É principalmente útil quando você está fazendo aprendizado de máquina supervisionado ou não supervisionado em seus dados. Análise coletada por e hospedada no G2.com.

O que você não gosta scikit-learn?

Python é lento. Portanto, usar as bibliotecas torna a análise de dados lenta. Análise coletada por e hospedada no G2.com.

O que você mais gosta scikit-learn?

sklearn fornece uma interface consistente e a documentação é completa. Também é altamente extensível. Análise coletada por e hospedada no G2.com.

O que você não gosta scikit-learn?

Eu preferiria que cross_val_score fornecesse um mecanismo para avaliação fora da amostra. Supondo que sua amostra esteja reequilibrada, você pode querer que a enésima dobra usada para avaliação seja um conjunto de dados desbalanceado e fora da amostra para avaliar o verdadeiro desempenho do seu modelo no mundo real. cross_val_score não fornece essa funcionalidade. A classe pipeline também deveria fornecer um mecanismo para encadear muitas transformações e permitir uma busca em grade dos melhores parâmetros em todas as transformações. Isso é particularmente útil em pipelines de PLN, onde você pode querer que a stemming, remoção de stop words, ngram-ing, etc., sejam transformações separadas e você quer saber qual transformação e parâmetros (por exemplo, o n em ngram) produziram o melhor resultado. Análise coletada por e hospedada no G2.com.