Fugu-MT 論文翻訳(概要): Machine Learning using Stata/Python

論文の概要: Machine Learning using Stata/Python

arxiv url: http://arxiv.org/abs/2103.03122v1
Date: Wed, 3 Mar 2021 10:31:44 GMT
ステータス: 処理完了
システム内更新日: 2021-03-05 14:42:16.530106
Title: Machine Learning using Stata/Python
Title（参考訳）: Stata/Pythonを用いた機械学習
Authors: Giovanni Cerulli
Abstract要約: 本稿では,一般的な機械学習(ML)手法に適合する2つのスタタモジュール,r_ml_stataとc_ml_stataを提案する。 R_ml_stataとc_ml_stataはPython Scikit-learn APIを使用して、クロスバリデーションと結果/ラベル予測の両方を実行する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present two related Stata modules, r_ml_stata and c_ml_stata, for fitting popular Machine Learning (ML) methods both in regression and classification settings. Using the recent Stata/Python integration platform (sfi) of Stata 16, these commands provide hyper-parameters' optimal tuning via K-fold cross-validation using greed search. More specifically, they make use of the Python Scikit-learn API to carry out both cross-validation and outcome/label prediction.
Abstract（参考訳）: 本稿では、回帰と分類の両方で一般的な機械学習(ML)手法を適合させるために、関連する2つの Stata モジュール r_ml_stata と c_ml_stata を提案する。 stata 16 の stata/python 統合プラットフォーム (sfi) を使用して、これらのコマンドは greed search を用いた k-fold cross-validation によるハイパーパラメータの最適なチューニングを提供する。具体的には、Python Scikit-learn APIを使用して、クロスバリデーションと結果/ラベル予測の両方を実行する。

関連論文リスト

TorchCP: A Library for Conformal Prediction based on PyTorch [9.295285907724672]
TorchCPは、ディープラーニングモデルに関する共形予測研究のためのPythonツールボックスである。ポストホックの様々な実装と、分類および回帰タスクの訓練方法を含んでいる。
論文参考訳（メタデータ） (2024-02-20T03:14:47Z)
LCE: An Augmented Combination of Bagging and Boosting in Python [45.65284933207566]
lcensembleはハイパフォーマンスでスケーラブルでユーザフレンドリなPythonパッケージで、分類と回帰の一般的なタスクのためのものだ。 Local Cascade Ensemble (LCE)は、現在の最先端手法であるRandom ForestとXGBoostの予測性能をさらに向上する機械学習手法である。
論文参考訳（メタデータ） (2023-08-14T16:34:47Z)
pystacked: Stacking generalization and machine learning in Stata [0.0]
pystackedはPythonのScikit-learを通じてスタック化された一般化を実装している。 Stackingは複数の教師付き機械学習者をひとつの学習者に結合する。 pystackedは、Scikit-Lernの機械学習アルゴリズムのための使いやすいAPIを提供する。
論文参考訳（メタデータ） (2022-08-23T12:03:04Z)
MAPIE: an open-source library for distribution-free uncertainty quantification [0.0]
機械学習モデルの不確実性を定量化する,オープンソースのPythonライブラリであるMAPIEを紹介する。 MAPIEは構造的予測手法を実装しており、不確実性を容易に計算することができる。 scikit-learn-contribでホストされており、完全に「scikit-learn-compatible」である。
論文参考訳（メタデータ） (2022-07-25T15:44:19Z)
Stochastic Gradient Descent without Full Data Shuffle [65.97105896033815]
CorgiPileは階層的なデータシャッフル戦略で、完全なデータシャッフルを回避すると同時に、完全なシャッフルを実行したかのようにSGDの収束率を同等に維持する。以上の結果から,CorgiPileは深層学習モデルと一般化線形モデルの両方において,全シャッフルベースSGDと同等の収束率を達成できることが示唆された。
論文参考訳（メタデータ） (2022-06-12T20:04:31Z)
DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
論文参考訳（メタデータ） (2022-05-04T08:41:59Z)
PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。 PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。 PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
論文参考訳（メタデータ） (2022-01-12T07:32:36Z)
DoubleML -- An Object-Oriented Implementation of Double Machine Learning in Python [1.4911092205861822]
DoubleMLはオープンソースのPythonライブラリで、Chernozhukovらのダブル機械学習フレームワークを実装している。パラメータの推定が機械学習手法に基づく場合、因果パラメータの統計的推測に有効な機能を含む。このパッケージはMITライセンスで配布されており、科学的なPythonエコシステムのコアライブラリに依存している。
論文参考訳（メタデータ） (2021-04-07T16:16:39Z)
MOGPTK: The Multi-Output Gaussian Process Toolkit [71.08576457371433]
ガウス過程(GP)を用いたマルチチャネルデータモデリングのためのPythonパッケージMOGPTKを提案する。このツールキットの目的は、研究者、データサイエンティスト、実践者にもMOGP(multi-output GP)モデルを利用できるようにすることである。
論文参考訳（メタデータ） (2020-02-09T23:34:49Z)
OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。 OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
論文参考訳（メタデータ） (2020-01-28T15:46:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。