論文の概要: abess: A Fast Best Subset Selection Library in Python and R

• arxiv url: http://arxiv.org/abs/2110.09697v1
• Date: Tue, 19 Oct 2021 02:34:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-20 13:56:06.228688
• Title: abess: A Fast Best Subset Selection Library in Python and R
• Title（参考訳）: abess: PythonとRの高速なベストサブセット選択ライブラリ
• Authors: Jin Zhu, Liyuan Hu, Junhao Huang, Kangkang Jiang, Yanhang Zhang, Shiyun Lin, Junxian Zhu, Xueqin Wang
• Abstract要約: ベストサブセット選択の統一フレームワークを実装したAbessという新しいライブラリを導入する。 アブスは線形モデルの下で時間内に最適解を得る。 ライブラリの中核はC++でプログラムされており、Pythonライブラリインデックスからインストールすることができる。
• 参考スコア（独自算出の注目度）: 1.6208003359512848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a new library named abess that implements a unified framework of best-subset selection for solving diverse machine learning problems, e.g., linear regression, classification, and principal component analysis. Particularly, the abess certifiably gets the optimal solution within polynomial times under the linear model. Our efficient implementation allows abess to attain the solution of best-subset selection problems as fast as or even 100x faster than existing competing variable (model) selection toolboxes. Furthermore, it supports common variants like best group subset selection and $\ell_2$ regularized best-subset selection. The core of the library is programmed in C++. For ease of use, a Python library is designed for conveniently integrating with scikit-learn, and it can be installed from the Python library Index. In addition, a user-friendly R library is available at the Comprehensive R Archive Network. The source code is available at: https://github.com/abess-team/abess.
• Abstract（参考訳）: 本稿では,線形回帰,分類,主成分分析といった多様な機械学習問題を解決するために,ベストサブセット選択の統一フレームワークを実装した新しいライブラリabessを紹介する。 特に、アブスは線形モデルの下で多項式時間内に最適解を得る。 我々の効率的な実装は、Abessが既存の競合する変数(モデル)選択ツールボックスの100倍の速さでベストサブセット選択問題の解を得ることを可能にする。 さらに、best group subset selectionや$\ell_2$ regularized best-subset selectionといった一般的な変種をサポートする。 ライブラリのコアはC++でプログラムされている。 使いやすくするために、PythonライブラリはScikit-learnと便利な統合用に設計されており、Pythonライブラリインデックスからインストールすることができる。 さらに、ユーザフレンドリーなRライブラリがComprehensive R Archive Networkで利用可能である。 ソースコードはhttps://github.com/abess-team/abess.com/。

関連論文リスト

• $\texttt{skwdro}$: a library for Wasserstein distributionally robust machine learning [6.940992962425166]
  skwdroは、堅牢な機械学習モデルをトレーニングするためのPythonライブラリである。 一般的な目的のために、Scikit-learn互換の推定器と、PyTorchモジュール用のラッパーの両方を備えている。
  論文  参考訳（メタデータ） (2024-10-28T17:16:00Z)
• Causal-learn: Causal Discovery in Python [53.17423883919072]
  因果発見は、観測データから因果関係を明らかにすることを目的としている。 $textitcausal-learn$は因果発見のためのオープンソースのPythonライブラリである。
  論文  参考訳（メタデータ） (2023-07-31T05:00:35Z)
• Deepchecks: A Library for Testing and Validating Machine Learning Models and Data [8.876608553825227]
  Deepchecksは、機械学習モデルとデータを包括的に検証するPythonライブラリである。 我々のゴールは、様々な種類の問題に関連する多くのチェックからなる使いやすいライブラリを提供することです。
  論文  参考訳（メタデータ） (2022-03-16T09:37:22Z)
• Submodlib: A Submodular Optimization Library [17.596860081700115]
  Submodlibは、サブモジュール最適化のためのオープンソースの、使いやすく、効率的でスケーラブルなPythonライブラリである。 Submodlibはその応用例として、要約、データサブセットの選択、ハイパーパラメータチューニング、効率的なトレーニングなどがある。
  論文  参考訳（メタデータ） (2022-02-22T05:48:12Z)
• MRCpy: A Library for Minimax Risk Classifiers [10.380882297891272]
  PythonライブラリであるMRCpyは、ロバストリスク最小化(RRM)アプローチに基づいて、ミニマックスリスク分類器(MRC)を実装している。 MRCpyは、Scikit-learnのような人気のあるPythonライブラリの標準に従い、可読性と使いやすさと、他のライブラリとのシームレスな統合を容易にする。
  論文  参考訳（メタデータ） (2021-08-04T10:31:20Z)
• Solo-learn: A Library of Self-supervised Methods for Visual Representation Learning [83.02597612195966]
  solo-learnは視覚表現学習のための自己指導型のメソッドのライブラリである。 Pythonで実装され、PytorchとPytorch Lightningを使用して、このライブラリは研究と業界のニーズの両方に適合する。
  論文  参考訳（メタデータ） (2021-08-03T22:19:55Z)
• BOML: A Modularized Bilevel Optimization Library in Python for Meta Learning [52.90643948602659]
  BOMLはモジュール化された最適化ライブラリで、いくつかのメタ学習アルゴリズムを共通の双方向最適化フレームワークに統合する。 さまざまなイテレーションモジュールとともに階層的な最適化パイプラインを提供し、メタ学習メソッドの主流カテゴリを解決するために使用できる。
  論文  参考訳（メタデータ） (2020-09-28T14:21:55Z)
• Picasso: A Sparse Learning Library for High Dimensional Data Analysis in R and Python [77.33905890197269]
  本稿では,様々なスパース学習問題に対して,経路座標を統一的に最適化する新しいライブラリについて述べる。 ライブラリはR++でコード化されており、ユーザフレンドリーなスパース実験を行っている。
  論文  参考訳（メタデータ） (2020-06-27T02:39:24Z)
• 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)
• Multi-layer Optimizations for End-to-End Data Analytics [71.05611866288196]
  代替アプローチを実現するフレームワークであるIFAQ(Iterative Functional Aggregate Queries)を紹介する。 IFAQは、特徴抽出クエリと学習タスクを、IFAQのドメイン固有言語で与えられた1つのプログラムとして扱う。 IFAQ の Scala 実装が mlpack,Scikit,特殊化を数桁で上回り,線形回帰木モデルや回帰木モデルを複数の関係データセット上で処理可能であることを示す。
  論文  参考訳（メタデータ） (2020-01-10T16:14:44Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。