Avaliações e Detalhes do Produto scikit-learn

Os usuários que desejam conectar os algoritmos às suas plataformas encontrarão documentação detalhada da API no site do scikit-learn. Muitos colaboradores, autores e uma grande comunidade internacional online apoiam e atualizam o Scikit-learn. É fácil de usar. A biblioteca é publicada sob a licença BSD, portanto, está disponível gratuitamente com apenas as restrições legais e de licença mais básicas. O pacote scikit-learn é extremamente adaptável e útil, e pode ser usado para uma variedade de tarefas do mundo real, como desenvolver neuroimagens, prever o comportamento do consumidor, etc. Análise coletada por e hospedada no G2.com.

Não é uma grande escolha se se prefere um aprendizado em profundidade. Fornece uma abstração simples que pode tentar os cientistas de dados iniciantes a continuar sem aprender primeiro os conceitos básicos. Análise coletada por e hospedada no G2.com.

Eu gosto de como a biblioteca scikit-learn é dinâmica. Ela fornece funções pré-carregadas e prontas para uso para todos os tipos de algoritmos de aprendizado de máquina e pré-processamento de dados. Análise coletada por e hospedada no G2.com.

A única desvantagem é a falta de suporte nativo para bibliotecas de aprendizado profundo. Análise coletada por e hospedada no G2.com.

Scikit-learn é construído sobre bibliotecas numéricas eficientes, como NumPy e SciPy, que fornecem implementações otimizadas de operações matemáticas e numéricas. Isso garante que a biblioteca possa lidar com grandes conjuntos de dados e cálculos complexos de forma eficiente, contribuindo para sua robustez e escalabilidade. Análise coletada por e hospedada no G2.com.

Embora o scikit-learn forneça uma variedade de ferramentas para seleção, extração e transformação de características, ele não oferece amplas capacidades de engenharia de características automatizadas encontradas em algumas bibliotecas especializadas. Os usuários podem precisar criar ou selecionar manualmente características com base em seu conhecimento de domínio ou explorar outras bibliotecas ou técnicas de engenharia de características. Análise coletada por e hospedada no G2.com.

A melhor coisa, na minha opinião, é que há documentação disponível do scikit-learn. Então, se às vezes acho difícil aplicar alguns algoritmos, posso verificar a documentação, o que me ajuda. Eu gosto disso. O scikit-learn também fornece muitos conjuntos de dados embutidos para que eu possa usá-los para fins de prática. O scikit-learn vem com muitos algoritmos de aprendizado de máquina, o que facilita para mim a implementação de algoritmos. Eu gosto que ele venha com muitas funções de manipulação de dados para limpar meus dados de acordo com meus requisitos. Análise coletada por e hospedada no G2.com.

Uma coisa que eu não aprecio particularmente é que não possui nenhum algoritmo de Deep Learning. Se eu quiser desenvolver algum algoritmo pronto para produção, então o scikit-learn não é tão bom em comparação com seus concorrentes. Análise coletada por e hospedada no G2.com.

A biblioteca scikit-learn é muito fácil de importar e pronta para uso na plataforma Python. Ela também contém alguns conjuntos de dados de exemplo para testar algoritmos de aprendizado de máquina. Análise coletada por e hospedada no G2.com.

Não há nenhum ponto que eu desgoste na biblioteca scikit-learn. A maioria dos algoritmos de aprendizado de máquina mais usados, bem como os mais recentes, estão disponíveis para uso. Análise coletada por e hospedada no G2.com.

Sessão informativa e ferramentas avançadas para aprendizagem Análise coletada por e hospedada no G2.com.

A duração do tempo, o clipe deve ser mais e mais elaborado Análise coletada por e hospedada no G2.com.

É muito útil no início para mineração de dados e análise de dados. Fácil de usar. Proporciona máxima eficiência com mínimo esforço. Processamento de dados, regressão, redução de dimensão, classificação, análise de cluster são as funcionalidades que utilizo. É completamente gratuito. Análise coletada por e hospedada no G2.com.

Ele funciona lentamente em grandes conjuntos de dados. Ele pode melhorar na classificação. Análise coletada por e hospedada no G2.com.

Eu realmente gosto quando resolvo qualquer problema de aprendizado de máquina. Ele tem muitos modelos de ML embutidos que são difíceis de implementar, mas aqui são fáceis de usar. Análise coletada por e hospedada no G2.com.

Sinto que deveria haver muito mais bons modelos de redes neurais profundas. Análise coletada por e hospedada no G2.com.

O melhor aspecto sobre este framework é a disponibilidade de algoritmos bem integrados dentro do ambiente de desenvolvimento Python. É bastante fácil de instalar na maioria dos IDEs Python e relativamente fácil de usar também. Muitos tutoriais estão acessíveis online, o que complementa o entendimento desta biblioteca, permitindo se tornar proficiente em aprendizado de máquina. Foi claramente construído com uma mentalidade de engenharia de software e, no entanto, é muito flexível para empreendimentos de pesquisa. Sendo construído sobre múltiplas bibliotecas baseadas em matemática e dados, o scikit-learn permite uma integração perfeita entre todas elas. Ser capaz de usar arrays numpy e dataframes pandas dentro do ambiente scikit-learn elimina a necessidade de transformação adicional de dados. Dito isso, definitivamente deve-se familiarizar com esta biblioteca fácil de usar se planejam se tornar um profissional orientado por dados. Você poderia construir um modelo de aprendizado de máquina simples com apenas 10 linhas de código! Com toneladas de recursos como validação de modelos, divisão de dados para treinamento/teste e vários outros, a abordagem de código aberto do scikit-learn facilita uma curva de aprendizado gerenciável. Análise coletada por e hospedada no G2.com.

Um problema que tem persistido e me incomodado há bastante tempo é a falta de capacidades de transformação de variáveis categóricas (é muito mais fácil em bibliotecas como tensorflow). É comparativamente mais lento do que tensorflow quando se trata de grandes conjuntos de dados e isso é algo que deveria ser adotado em breve, especialmente na era das tecnologias de big data. No entanto, com a frequência das atualizações, acredito que a maioria dos problemas é resolvida muito rapidamente, tornando-o um pacote robusto para o desenvolvimento de aprendizado de máquina. Análise coletada por e hospedada no G2.com.

É a plataforma de aprendizado de máquina, fácil de aprender, fácil de testar

fornece toda a capacidade que qualquer plataforma de aprendizado de máquina deve ter, muitos algoritmos como codificadores - codificador binário, codificador one hot

fornece implementação para todo aprendizado supervisionado e não supervisionado

fornece toda a capacidade de validar o modelo

podemos integrar facilmente com matplotlib, pandas, numpy e para serializadores

muitos tutoriais de exemplo específicos na internet disponíveis para iniciantes

É de código aberto e totalmente gratuito

muitos dos outros produtos de código aberto e muitos produtos proprietários para aprendizado de máquina são desenvolvidos em cima da biblioteca scikit

pois fornece interface Python fácil de aprender e integrar com muitas outras plataformas Análise coletada por e hospedada no G2.com.

há dois problemas que posso mencionar são

1. não é possível escalar horizontalmente

2. há problemas quando temos atributos categóricos em variáveis - codificá-los em binário ou one hot encoded não resolverá o problema

Muitas das tecnologias recentes como h20, tensor flow dão a capacidade de inserir atributos categóricos como entradas para o algoritmo Análise coletada por e hospedada no G2.com.