mlr bietet dies, damit Sie sich auf Ihre Experimente konzentrieren können!Das Framework bietet überwachte Methoden wie Klassifikation, Regression und Überlebensanalyse sowie entsprechende Bewertungs- und Optimierungsmethoden und nicht überwachte Methoden wie Clustering.Es ist so geschrieben, dass Sie es selbst erweitern oder von den implementierten Convenience-Methoden und Ihren eigenen komplexen Experimenten abweichen können.Das Paket ist sehr gut mit dem OpenML R-Paket verbunden, das das kollaborative maschinelle Lernen online unterstützen soll und den einfachen Austausch von Datensätzen sowie maschinellen Lernaufgaben, Algorithmen und Experimenten ermöglicht.Eindeutige S3-Schnittstelle zu R-Klassifizierungs-, Regressions-, Clustering- und Überlebensanalysemethoden. Möglichkeit, Modelle anzupassen, vorherzusagen, zu bewerten und erneut abzutasten. Einfacher Erweiterungsmechanismus durch S3-Vererbung. Abstrakte Beschreibung der Lernenden und Aufgaben nach Eigenschaften. Parametersystem für Lernende zur Codierung von Datentypen und Einschränkungen. Viel KomfortMethoden und allgemeine Bausteine ​​für Ihre maschinellen Lernexperimente Resampling-Methoden wie Bootstrapping, Cross-Validation und Subsampling Umfangreiche Visualisierungen für z. B. ROC-Kurven, Vorhersagen und Teilvorhersagen Benchmarking von Lernenden für mehrere Datensätze Einfache Optimierung von Hyperparametern mit verschiedenen Optimierungsstrategien, einschließlich leistungsstarker Konfiguratoren wie ziteriertes F-Racing (irace) oder sequentielle modellbasierte Optimierung Variablenauswahl mit Filtern und Wrappern Verschachteltes Resampling von Modellen mit Optimierung und Funktionsauswahl Kostensensitives Lernen, Schwellenwertoptimierung und Ungleichgewichtskorrektur Wrapper-Mechanismus zur Erweiterung der LernfunktionKomplexe und angepasste Funktionalität Kombinieren Sie verschiedene Verarbeitungsschritte zu einer komplexen Data-Mining-Kette, die gemeinsam optimiert werden kann. OpenML-Connector für den Open Machine Learning-Server Erweiterungspunkte zur Integration eigener Inhalte Parallelisierung ist in Unit-Tests integriert.