为多标签规则学习算法的训练和评估提供实用程序
项目描述
“MLRL-Testbed”：用于评估多标签规则学习算法的实用程序
该软件包提供了用于训练和评估已使用“MLRL-Common”库实现的多标签规则学习算法的实用程序，包括以下几个：
- BOOMER（梯度提升多标签分类规则）：一种最先进的算法，它使用梯度提升来学习针对给定多元损失函数构建的规则集合。
特征
最值得注意的是，该软件包包含命令行 API，允许配置上述算法，将它们应用于不同的数据集，并根据常用度量（由scikit-learn框架提供）评估其预测性能。此外，它还提供以下功能：
- 该包支持木兰格式的多标签数据集。
- 可以使用预定义的数据集拆分为训练和测试数据或使用交叉验证来评估算法的预测性能。
- 模型可以保存到文件中并重新加载以供以后使用。
- 参数调优可用于确定算法的最佳配置并将其写入配置文件，之后可用于训练模型。
- Bootstrap Bias-corrected Cross Validation (BBC-CV)可用于以计算有效的方式结合参数调整和算法评估。
- 规则模型的文本表示，以及模型或数据集的特征可以写入输出文件。
执照
该项目是根据MIT 许可条款许可的开源软件。我们欢迎对该项目的贡献，以增强其功能并使其更容易被更广泛的受众访问。此处提供了经常更新的贡献者列表。
关
mlrl_testbed -0.8.2-py3-none-any.whl 的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 8a8d39a2e738781ada5d33f973445f09d5018f4c96d7d9348dfce19d934fbc7e |
|
| MD5 | 45c50b63a9d0cbf89c95d6bb92e3bbe1 |
|
| 布莱克2-256 | 28365d4c94a3dfbe2705461bebf1fa18057e484f51c6b3f5b0579138bdd4589b |