科学机器学习基准
smlb的Python项目详细描述
科学机器学习基准(smlb)
简介
smlb
是一个工具箱,专注于对数据驱动的建模方法在自然科学中的应用进行严格的经验评估。
在开发或微调数据驱动算法以确保统计上合理的决策时,它特别有用。
它的重点是分子和材料的实验和计算性质的模型。
它强调正确性、灵活性和域支持。在
smlb
旨在帮助回答特定领域机器学习模型开发过程中出现的问题。
此类问题的例子包括
- 这些不确定度估计方法中哪一种最接近真实误差分布?在
- 删除缓慢或失败的特征如何影响模型的预测精度?在
smlb
提供
- 现成的合成、计算和实验数据集
- 绑定到其他软件,包括特定于域的特性和通用的机器学习包
- 标准损失函数和误差度量,也适用于预测分布(不确定性)
- 系统控制伪随机数产生的再现性
其他用途包括集成测试,以确保对建模管道的局部更改不会产生总体不利影响。在
有关更详细的描述,请参见Overview。在
入门
要开始,请按照installation说明操作并运行tutorial。在
其他
要提供帮助,请参阅Contributing说明。在
- 项目
标签: