Pros y Contras de scikit-learn

Es la plataforma de aprendizaje automático, fácil de aprender, fácil de probar proporciona toda la capacidad que cualquier plataforma de aprendizaje automático debería tener, muchos algoritmos como codificadores - codificador binario, codificador one hot proporciona implementación para todo aprendizaje supervisado y no supervisado proporciona toda la capacidad para validar el modelo podemos integrar fácilmente con matplotlib, pandas, numpy y para serializadores muchos tutoriales de ejemplos específicos en internet disponibles para los principiantes es de código abierto y totalmente gratuito muchos de los otros productos de código abierto y muchos productos propietarios para ml se desarrollan sobre la biblioteca sci kit ya que proporciona una interfaz de Python fácil de aprender e integrar con muchas otras plataformas Reseña recopilada por y alojada en G2.com.

hay dos problemas que puedo mencionar son 1. no es posible escalar horizontalmente 2. hay problemas cuando tenemos atributos categóricos en variables - codificarlos a binario o codificación one-hot no resolverá el problema Muchas de las tecnologías recientes como h20, tensor flow dan la capacidad de introducir atributos categóricos como entradas al algoritmo Reseña recopilada por y alojada en G2.com.

It is very strong tool being used in data science especially in machine learning. It is open source and free package that has great role in machine learning. It has great ability that we can integrate it with other packages such as mat plotlib, nympy and pandas. It has a great role in data science and machine learning algorithms. Reseña recopilada por y alojada en G2.com.

It has great features. However it has some drawbacks dealing with categorical attributes. Otherwise it is very strong package. I do not see any other drawbacks of using this package. Reseña recopilada por y alojada en G2.com.

Amazingly useful tool set for machine learning and data science work. Personally use it in python and it's really helpful. Some popular package such as pandas, numpy and matplotlib add it even more values. I always use it besides neural networks and yield solution as a combination, and the solution gives the best result often comes from it, by working on different points. Reseña recopilada por y alojada en G2.com.

No, nothing comes to my mind for dislike part and I have used it for couple years in machine learning competitions and projects. They also update scikit-learn quite often to fix any known issue and make improvement. Reseña recopilada por y alojada en G2.com.

I like the fact that it includes a ton of functionalities and incorporates almost all of the Machine Learning algorithms meant for supervised and unsupervised learning.

It can be used to develop various regression, classification and clustering algorithms.

It utilizes a range of machine learning, preprocessing, cross-validation and visualization algorithms.

It provides three Regression Metrics namely Mean Absolute Error, Mean Squared Error, R² Score.

It also provides three Classification Metrics namely Accuracy Score, Classification Report, Confusion Matrix.

Additionally, it provides three Clustering Metrics namely Adjusted rand Index, Homogeneity, V-measure. Reseña recopilada por y alojada en G2.com.

Apart from the inability to scale well, there’s also the fact that scikit-learn does absolutely nothing to assist with deploying the model to production. Reseña recopilada por y alojada en G2.com.

- Contiene muchos algoritmos de aprendizaje automático como: bosque aleatorio, árbol de decisión, máquinas de vectores de soporte, análisis discriminante lineal, análisis discriminante cuadrático, regresión logística, perceptrón multicapa (redes neuronales), naive bayes, otros algoritmos de potenciación, knn, k-means (y otros algoritmos de agrupamiento)

- Contiene herramientas de preprocesamiento (normalización, estandarización)

- Contiene herramientas de ajuste de hiperparámetros (RandomSearchCV, GridSearchCV)

- Contiene muchos tipos de métricas para ajustar el modelo (precisión, recall, precisión, f1_score, etc.)

y sumando todo esto es posible desarrollar y crear una aplicación de aprendizaje automático de extremo a extremo

Sin mencionar que todo lo anterior junto con scikit-learn en su conjunto es compatible con otras bibliotecas de Python como pandas, numpy, mlxtend, matplotlib. Reseña recopilada por y alojada en G2.com.

- Debería incluir algoritmos de última generación más recientes, como XGBoost, Catboost, LightGBM.

- Debería facilitar el uso de GPU, de lo contrario, el ajuste de hiperparámetros lleva demasiado tiempo. Reseña recopilada por y alojada en G2.com.

Various machine learning models and easy to adjust parameters. Also easy to apply data transformation prior to fit the model Reseña recopilada por y alojada en G2.com.

Could add more examples in the documentation Reseña recopilada por y alojada en G2.com.

1. Me encanta el hecho de que puedo probar una variedad de algoritmos de aprendizaje automático sin tener que construirlos desde cero. Solo los llamo usando funciones ya disponibles.

2. Scikit-learn proporciona a los usuarios una función para dividir un conjunto de datos dado en datos de entrenamiento y validación solo pasando una proporción de división.

3. Scikit-learn se integra fácilmente con otros marcos de aprendizaje profundo. Reseña recopilada por y alojada en G2.com.

No he tenido ninguna razón para odiar scikit-learn en este momento, ya que me ha ayudado a lograr mucho en el aprendizaje automático. Reseña recopilada por y alojada en G2.com.

Scikit learn is simply wonderful. It abstracts away all the complexities of several machine learning frameworks. Scikit learn provides beautiful one line function calls to really complex functions and the documentation is beautiful. A complete noob can go through their documentation and understand since it is human readable. In addition to top machine learning models ranging from random forest, decision trees and linear regression, they also provide libraries for data preprocessing. You can do data preprocessing, one hot encoding and lots of other things with Scikit Learn. Reseña recopilada por y alojada en G2.com.

Scikit learns models take a long time to train, and they require that your data be in a specific format. This can be really stressful especially when the error messages don't provide much insight into the problem Reseña recopilada por y alojada en G2.com.

Me gusta esta biblioteca porque es muy fácil importar la biblioteca y usar los modelos de aprendizaje automático. Tienen muchos modelos de aprendizaje automático, como random forest, xgboost y muchos más. No necesitas codificar desde cero. También proporcionan muchos parámetros para ajustar los modelos, lo cual es útil. Reseña recopilada por y alojada en G2.com.

Es una especie de plug and play, pero la personalización es un poco difícil para los modelos de aprendizaje automático. Además, en comparación con TensorFlow, es lento. Reseña recopilada por y alojada en G2.com.

The best part about scikit-learn is that it has the variety of regression, classification and clustering algorithms. The page of scikit-learn allows to see which hyper parameters are to be used for my data and what values should I give. Reseña recopilada por y alojada en G2.com.

Nothing as of now, but I guess it could be faster for big datasets. Reseña recopilada por y alojada en G2.com.