×

兹马思-数学第一资源

openmlpython:用于OpenML的可扩展Python API。(英语) Zbl 07370617
摘要:OpenML是一个开放科学协作的在线平台,用于共享机器学习实验的数据集和结果。在本文中,我们介绍了openmlpython,一个Python客户端API,它为各种基于Python的机器学习工具打开了OpenML平台。它提供了从Python中轻松访问OpenML上的所有数据集、任务和实验。它还提供了进行机器学习实验、将结果上载到OpenML以及再现存储在OpenML上的结果的功能。此外,它还提供了一个scikit学习扩展和一个扩展机制,可以轻松地将用Python编写的其他机器学习库集成到OpenML生态系统中。源代码和文档可在https://github.com/openml/openml-python/.
理学硕士:
68T05型 人工智能中的学习与自适应系统
PDF格式 BibTeX公司 XML 引用
全文: 链接
参考文献:
[1] M、 Abadi,A.Agarwal,P.Barham,E.Brevdo,Z.Chen,C.Citro,G.S.Corrado,et al.TensorFlow:异构分布式系统上的大规模机器学习。过程中。2016年6月16日。
[2] B、 Bischl、G.Casalicchio、M.Feurer、F.Hutter、M.Lang、R.G.Mantovani、J.N.van Rijn和J.Vanschoren。OpenML基准测试套件。arXiv:1708.03731v2[cs.LG],2019年。
[3] 五十、 Butinck,G.Louppe,M.Blondel,F.Pedregosa,A.M¨uller,O.Grisel,V.Niculae,P.Prettenhofer,A.Gramfort,J.Grobler等,《机器学习软件的API设计:scikit learn项目的经验》。InECML PKDD LML研讨会,2013年。
[4] G、 卡萨利奇奥、J.博塞克、M.朗、D.基尔霍夫、P.克尔施克、B.霍夫纳、H.赛博尔德、J.范肖伦和B.比什尔。OpenML:连接机器学习平台OpenML的R包。计算统计,32(3),2017年。
[5] D、 Dua和C.Graff。UCI机器学习资源库,2019年。网址http://archive.ics.uci.edu/ml。
[6] M、 费勒,A.克莱恩,K.埃根斯佩格,J.T.斯普林恩伯格,M.布鲁姆和F.赫特。高效和健壮的自动机器学习。过程中。2015年第15期。
[7] N、 福西、R.谢斯和M.伊莱波。用于自动机器学习的概率矩阵分解。过程中。神经突起的18岁。2018
[8] C、 R.Harris,K.J.Millman,S.J.van der Walt,R.Gommers,P.Virtanen,D.Cournapeau,E.Wieser,J.Taylor,S.Berg,N.J.Smith等,《NumPy数组编程》,自然杂志,5852020年。
[9] W、 麦金尼。Python中用于统计计算的数据结构。过程中。2010年,西皮。
[10] R、 S.奥尔森、W.拉卡瓦、P.奥泽乔夫斯基、R.J.乌尔巴诺维奇和J.H.摩尔。PMLB:机器学习评估与比较的大型基准套件。生物数据挖掘,10(36),2017。
[11] F、 Pedregosa,G.Varoquoux,A.Gramfort,V.Michel,B.Thirion,O.Grisel,M.Blondel,P.Prettenhofer,R.Weiss等,Scikit learn:Python中的机器学习.JMLR,2011年12月。
[12] 五、 一个是阿图格,一个是杰姆,另一个是阿坎伯。可伸缩的超参数转移学习。过程中。神经突起的18岁。2018
[13] B、 斯特朗,P.范德普顿,J.N.范瑞恩和F.赫特。不要过早地排除简单的模型:一个比较OpenML中线性和非线性分类器的大规模基准测试。过程中。国际开发协会第十七届,2018年。
[14] J、 大规模协作机器学习。莱顿大学博士论文,2016年。
[15] J、 范瑞恩和赫特。跨数据集的超参数重要性。过程中。2018年8月18日。
[16] J、 范肖伦,J.N.范瑞恩,B.比什尔和L.托戈。OpenML:Networked science in machine learning.SIGKDD,15(2):49-60,2014年。
[17] P、 Virtanen,R.Gommers,T.E.Oliphant,M.Haberland,T.Reddy,D.Cournapeau等人,SciPy 1.0:Python科学计算的基本算法,自然方法,172020。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。