Top-bewertete scikit-learn Alternativen
Scikit-learn basiert auf effizienten numerischen Bibliotheken wie NumPy und SciPy, die optimierte Implementierungen von mathematischen und numerischen Operationen bereitstellen. Dies stellt sicher, dass die Bibliothek große Datensätze und komplexe Berechnungen effizient verarbeiten kann, was zu ihrer Robustheit und Skalierbarkeit beiträgt. Bewertung gesammelt von und auf G2.com gehostet.
Während scikit-learn eine Reihe von Werkzeugen für die Merkmalsauswahl, -extraktion und -transformation bietet, bietet es nicht die umfangreichen automatisierten Feature-Engineering-Fähigkeiten, die in einigen spezialisierten Bibliotheken zu finden sind. Benutzer müssen möglicherweise Merkmale manuell entwickeln oder auswählen, basierend auf ihrem Fachwissen, oder andere Feature-Engineering-Bibliotheken oder -Techniken erkunden. Bewertung gesammelt von und auf G2.com gehostet.
58 von 59 Gesamtbewertungen für scikit-learn
Gesamtbewertungsstimmung für scikit-learn
Melden Sie sich an, um die Bewertungsstimmung zu sehen.
Benutzer, die die Algorithmen mit ihren Plattformen verbinden möchten, finden detaillierte API-Dokumentation auf der scikit-learn-Website. Viele Mitwirkende, Autoren und eine große internationale Online-Community unterstützen und aktualisieren Scikit-learn. Die Bibliothek wird unter der BSD-Lizenz veröffentlicht, daher ist sie kostenlos mit nur den grundlegendsten rechtlichen und lizenzrechtlichen Einschränkungen verfügbar. Das scikit-learn-Paket ist äußerst anpassungsfähig und nützlich und kann für eine Vielzahl von Aufgaben in der realen Welt verwendet werden, wie z.B. die Entwicklung von Neuroimaging, die Vorhersage des Verbraucherverhaltens usw. Bewertung gesammelt von und auf G2.com gehostet.
Es ist keine gute Wahl, wenn man ein tiefgehendes Lernen bevorzugt.
Es bietet eine einfache Abstraktion, die Anfänger im Bereich Data Science dazu verleiten kann, ohne vorher die Grundlagen zu lernen, weiterzumachen. Bewertung gesammelt von und auf G2.com gehostet.
Ich mag, wie dynamisch die scikit-learn-Bibliothek ist. Sie bietet vorgefertigte und einsatzbereite Funktionen für alle Arten von maschinellen Lern- und Datenvorverarbeitungsalgorithmen. Bewertung gesammelt von und auf G2.com gehostet.
Der einzige Nachteil ist der Mangel an nativer Unterstützung für Deep-Learning-Bibliotheken. Bewertung gesammelt von und auf G2.com gehostet.
Das Beste, meiner Meinung nach, ist, dass es Dokumentation zu scikit-learn gibt. Also, wenn ich manchmal Schwierigkeiten habe, einige Algorithmen anzuwenden, kann ich die Dokumentation überprüfen, die mir hilft. Ich mag diese Sache. Scikit-learn bietet auch viele eingebaute Datensätze, damit ich sie zu Übungszwecken verwenden kann. Scikit-learn kommt mit vielen maschinellen Lernalgorithmen, was es mir erleichtert, Algorithmen zu implementieren. Ich mag, dass es mit vielen Datenmanipulationsfunktionen kommt, um meine Daten nach meinen Anforderungen zu bereinigen. Bewertung gesammelt von und auf G2.com gehostet.
Eine Sache, die ich nicht besonders schätze, ist, dass es keine Deep-Learning-Algorithmen hat. Wenn ich einen produktionsreifen Algorithmus entwickeln möchte, dann ist scikit-learn im Vergleich zu ihren Konkurrenten nicht so großartig. Bewertung gesammelt von und auf G2.com gehostet.
scikit-learn-Bibliothek ist sehr einfach zu importieren und bereit für die Verwendung auf der Python-Plattform. Sie enthält auch einige Beispieldatensätze zum Ausprobieren von Machine-Learning-Algorithmen. Bewertung gesammelt von und auf G2.com gehostet.
Es gibt an sich keinen Punkt, den ich an der scikit-learn-Bibliothek nicht mag. Die meisten der häufig verwendeten sowie aktuellen maschinellen Lernalgorithmen sind zur Nutzung verfügbar. Bewertung gesammelt von und auf G2.com gehostet.
Was ich an Scikit-learn mag, ist seine Dokumentation, Klarheit und Vielseitigkeit des Kits. Bewertung gesammelt von und auf G2.com gehostet.
Bisher gibt es nichts, was mir daran nicht gefällt. Bewertung gesammelt von und auf G2.com gehostet.
Es ist sehr nützlich am Anfang für Data Mining und Datenanalyse. Einfach zu verwenden. Es bietet maximale Effizienz mit minimalem Aufwand. Datenverarbeitung, Regression, Dimensionsreduktion, Klassifikation, Clusteranalyse sind die Funktionen, die ich nutze. Es ist komplett kostenlos. Bewertung gesammelt von und auf G2.com gehostet.
Es läuft langsam bei großen Datensätzen. Es kann sich bei der Klassifizierung verbessern. Bewertung gesammelt von und auf G2.com gehostet.
I really like it when I solve any Machine learning problem, It has a lot of inbuilt ML models that are tough to implement but here those are easy to use. Bewertung gesammelt von und auf G2.com gehostet.
I feel that It should have much more good deep Neural network models Bewertung gesammelt von und auf G2.com gehostet.
Der beste Aspekt dieses Frameworks ist die Verfügbarkeit gut integrierter Algorithmen innerhalb der Python-Entwicklungsumgebung. Es ist ziemlich einfach, es in den meisten Python-IDEs zu installieren und relativ einfach zu verwenden. Viele Tutorials sind online zugänglich, die das Verständnis dieser Bibliothek ergänzen und es ermöglichen, in maschinellem Lernen versiert zu werden. Es wurde eindeutig mit einem softwaretechnischen Ansatz entwickelt und ist dennoch sehr flexibel für Forschungsprojekte. Da es auf mehreren mathematischen und datenbasierten Bibliotheken aufbaut, ermöglicht scikit-learn eine nahtlose Integration zwischen ihnen allen. Die Möglichkeit, numpy-Arrays und pandas-Datenrahmen innerhalb der scikit-learn-Umgebung zu verwenden, macht zusätzliche Datenumwandlungen überflüssig. Das heißt, man sollte sich definitiv mit dieser einfach zu verwendenden Bibliothek vertraut machen, wenn man plant, ein datengetriebener Profi zu werden. Man könnte ein einfaches maschinelles Lernmodell mit nur 10 Zeilen Code erstellen! Mit einer Vielzahl von Funktionen wie Modellvalidierung, Datenteilung für Training/Tests und vielen anderen erleichtert der Open-Source-Ansatz von scikit-learn eine überschaubare Lernkurve. Bewertung gesammelt von und auf G2.com gehostet.
Ein Problem, das mich seit einiger Zeit beschäftigt und beunruhigt, ist der Mangel an Transformationsmöglichkeiten für kategoriale Variablen (es ist in Bibliotheken wie TensorFlow viel einfacher). Es ist im Vergleich zu TensorFlow langsamer, wenn es um große Datensätze geht, und dies sollte bald übernommen werden, insbesondere im Zeitalter der Big-Data-Technologien. Mit der Häufigkeit der Updates glaube ich jedoch, dass die meisten Probleme sehr schnell gelöst werden, was es zu einem robusten Paket für die Entwicklung von maschinellem Lernen macht. Bewertung gesammelt von und auf G2.com gehostet.
Es ist die Plattform für maschinelles Lernen, einfach zu lernen, einfach zu testen, bietet alle Fähigkeiten, die jede Plattform für maschinelles Lernen haben sollte, viele Algorithmen wie Encoder - Binärcodec, One-Hot-Encoder, bietet Implementierung für alle überwachten und unüberwachten Lernmethoden, bietet alle Möglichkeiten zur Validierung des Modells, wir können leicht mit Matplotlib, Pandas, Numpy und für Serialisierer integrieren, viele spezifische Beispiel-Tutorials im Internet verfügbar für Anfänger, es ist Open Source und völlig kostenlos, viele der anderen Open-Source- und viele proprietäre Produkte für ML werden auf der Sci-Kit-Bibliothek entwickelt, da es eine Python-Schnittstelle bietet, die leicht zu erlernen und mit vielen anderen Plattformen zu integrieren ist. Bewertung gesammelt von und auf G2.com gehostet.
es gibt zwei Probleme, die ich erwähnen kann, sind
1. nicht möglich, horizontal zu skalieren
2. Probleme, wenn wir kategoriale Attribute in Variablen haben - sie in binäre oder One-Hot-Codierung zu kodieren, wird das Problem nicht lösen
Viele der jüngsten Technologien wie h2o, TensorFlow bieten die Möglichkeit, kategoriale Attribute als Eingaben für den Algorithmus zu verwenden. Bewertung gesammelt von und auf G2.com gehostet.
