Oct, 2023

Julearn: 机器学习模型的无泄漏评估和检查的易用库

PDF
TL;DR机器学习在神经科学中的应用是一个具有挑战性的领域，本文介绍了 julearn 这一开源 Python 库，用于设计和评估复杂的机器学习流程，以简化研究项目中常见的陷阱。
machine learningneuroscienceml pipelinecross-validationjulearn
发现论文，激发创造
  • 机器学习管道中的信息泄漏

    机器学习（ML）提供了强大的预测建模工具，然而，如果不正确实施和评估，ML 流程可能会出现泄漏问题，导致过于乐观的性能估计并且无法泛化到新数据，本文旨在拓展对于在设计、实施和评估 ML 流程中导致泄漏的原因的理解，以具体示例说明，提供了各种类型的泄漏的综合概述和讨论。

    Nov, 2023

  • Pylearn2: 一个机器学习研究库

    Pylearn2 是一种灵活易用的机器学习研究库，旨在支持包括新型或不寻常用例在内的各种研究项目，并具备先进的分析算法和架构。

    Aug, 2013

  • EndToEndML: 一个用于机器学习应用的开源端到端流水线

    我们提出了一个基于 Web 的一体化流程，能够进行数据预处理、训练、评估和可视化机器学习模型，无需手动干预或编程专业知识，通过集成传统机器学习和深度神经网络模型与可视化，帮助识别、分类、聚类和预测广泛的多模态、多传感器数据，包括图像、语言和一维数值数据，用于药物发现、病原体分类和医学诊断。

    Mar, 2024

  • biquality-learn: 一个用于双质量学习的 Python 库

    数据挖掘的民主化得到了广泛成功，其中强大且易于使用的机器学习库在其中发挥了重要作用，然而，实践中强监督信号稀缺，研究者必须采用弱监督方法，并且在将机器学习模型部署到现实世界中时，数据集的偏移也是一种常见现象，因此提出了一种名为 Biquality Learning 的机器学习框架，可处理多种弱监督和数据集偏移问题，而不对其性质和程度做出假设，依赖于一个小型可靠的数据集，该数据集由清晰标记和具有代表性的样本组成，因此我们提出了 biquality-learn，一个用于 Biquality Learning 的 Python 库，具有直观一致的 API，可以从 biquality 数据中学习机器学习模型，拥有经过验证的算法，对任何人都易于访问和使用，并使研究人员能够对 biquality 数据进行可重复的实验。

    Aug, 2023

  • 使用 Scikit-Learn 进行神经影像机器学习

    本研究介绍了如何使用 Python 语言的机器学习库 Scikit-learn 来处理神经影像数据，采用统计机器学习的方法，包括有监督学习和无监督学习，探究在不同的功能神经影像应用中的优势和应用。

    Dec, 2014

  • Lale: 一致自动化机器学习

    Lale 是一个高级 Python 接口库，它简化和统一自动机器学习工具，包括搜索超参数、算法和管道拓扑结构等，并解决了自动化工具的不一致语法和高级功能支持问题。

    Jul, 2020

  • STREAMLINE: 一个简单、透明、端到端自动化机器学习管道，促进数据分析和算法比较

    STREAMLINE 是一个简单、透明、端到端的自动化机器学习 (pipeline)，旨在比较数据集、机器学习算法和其他 AutoML 工具的性能，在数据处理、模型比较方面提供一个全面和一致的基准。

    Jun, 2022

  • 仪器与控制系统中集成的机器学习方法的动态模型无关可信度评估

    通过将数据监督引入机器学习预测模型，我们提出了一种实时模型无关的方法，评估机器学习预测的相对可靠性，并通过针对操作数据集与训练数据集之间的差异来计算预测的相对可靠性，用以支持机器学习预测在常规插值任务中的可信度。

    Aug, 2023

  • 气象和气候建模机器学习基准测试

    ClimateLearn 是第一个大规模的开源项目，旨在将气象和气候模型与现代机器学习系统进行连接，它能够大大简化机器学习模型的训练和评估，并包括综合流程，实现深度学习模型和定量和定性评估。

    Jul, 2023

  • 陪审学习：将异议声纳入机器学习模型中

    本文提出通过采用陪审团的隐喻来确立不同的人群在机器学习算法中的权威性，设计了一个可以模拟数据标记者的深度学习结构，在解决标签不一致性的过程中具有更灵活的适应性和探索性。

    Feb, 2022