Προγραμματιστής: differential enterprises (12)
Τιμή: Δωρεάν
Κατατάξεις: 0 
Κριτικές: 0 Γράψτε μια κριτική
Σχόλια: 0 Δημοσίευση σχολίου
Λίστες: 0 + 1
Βαθμοί: 7 + 0 ¡
Mac App Store

Περιγραφή

SimplML
All-numeric supervised machine learning ("tabular regression," in Apple CoreML parlance) via basis function methods, with model slicer visualization tools.

Now supporting binary classification problems.

See What's New In This Version to learn about all the latest updates!

This is a "no code" baseline app to serve as a test bed for basis function approximation methods, which are fairly simple (comparatively speaking) machine learning methods involving a single fully connected inner layer, and are usable for solving general smooth-ish function fits. There is no need to install a myriad of Python packages or other tools to use this. Simply download the app from the app store and read in your CSV file.

The legendary automotive miles per gallon data set which pre-dates Tensorflow and many of its users originating from one of the infamous "malaise eras" is uploaded here in the proper CSV format for this system as a tutorial data set for learning the system:

https://diffent.com/mpgfull.csv

Original data source & background:

https://www.tensorflow.org/tutorials/keras/regression

More detailed use instructions at https://diffent.com/simpleml.pdf

Features:

two basis function types (gauss & multi-quadric)

two distance metrics (Euclidean and Manhattan)

adjustable shape parameter

flexible on-screen data column selector

constant or variable basis function widths

some improper data flagging (question marks or non-numeric characters in data; however, scientific notation is supported e.g. 4.2e1

optional input variable normalization

model complexity hyperparameter adjustments (manual)

auto withhold of points for train/test split (user controllable amount via fraction of original points)

actual versus predicted plots for train, test, and out of sample evaluation points

actual versus predicted data exported to annotated columnar text files

plots in portable HTML for easy use in other systems

hyperparameters stored as user defaults

Variable importance is estimated by leaving a variable out of an already solved model
and comparing RMS error of training data set to full variable RMS error. If RMS doesn't change much,
the variable was not very important. Results reported out as (RMSchange/RMS - 1) per variable in
lower green output window.

User can apply this information to remove variables from models that are less important,
for improved out of sample performance.
Περισσότερα ↓
Ad

Στιγμιότυπα οθόνης

#1. SimplML (macOS) Με: differential enterprises
#2. SimplML (macOS) Με: differential enterprises
#3. SimplML (macOS) Με: differential enterprises
#4. SimplML (macOS) Με: differential enterprises
#5. SimplML (macOS) Με: differential enterprises
#6. SimplML (macOS) Με: differential enterprises
#7. SimplML (macOS) Με: differential enterprises
#8. SimplML (macOS) Με: differential enterprises
#9. SimplML (macOS) Με: differential enterprises
#10. SimplML (macOS) Με: differential enterprises

Τι νέο υπάρχει

  • Εκδοχή: 5.9
  • Ενημερώθηκε:
  • Auto weight unbalanced binary output values in residual / sum of square error computation (for classification problems) based on the actual data imbalance ratio. For example, if you have 25 outputs at 1 and 75 outputs at 0 in a 100 point data set, the imbalance ratio is 3 to 1, so we weight the errors on the actual 1 values to be more important by a factor 3, so that the solver will focus on those better. This factor may be high, but we leave it there for now.

    Allow the "max down count" that can occur before stopping is triggered during a fwd stepwise solve to be 10 (was 2).

    Output the so-called precision of a binary outcome solve for the 1 target value during a stepwise solve. The following right hand side variables are integer counts.

    float mlPrecision = (float)correctBinary1/((float)(correctBinary1 + (actualBinary0 - correctBinary0)));

    Is this the only definition possible for "precision?" Doubtful. This is why we output the raw ratios (confusion matrix) for further analysis.

Ιστορία τιμών

  • Σήμερα: Δωρεάν
  • Ελάχιστο: Δωρεάν
  • Μέγιστο: $5.99
  
Παρακολούθηση τιμών
Ad

Προγραμματιστής

Βαθμοί (7)

Περισσότερα → (7)

Κατατάξεις (0)

0 ☹️

Λίστες (0)

0 ☹️
  • SimplML

Κριτικές (0)

Γίνε ο πρώτος που θα αξιολογήσει 🌟

Σχόλια (0)

Γίνε ο πρώτος που θα σχολιάσει 🌟

Πρόσθετες πληροφορίες

Επαφές

«SimplML». Πλατφόρμα: macOS. Κατηγορία: Βοηθητικά προγράμματα. Προγραμματιστής: «differential enterprises». Πρώτη κυκλοφορία: . Τελευταία ενημέρωση: . Τρέχουσα τιμή: δωρεάν. Αυτός ο τίτλος δεν έχει λάβει ακόμη αξιολογήσεις ή κριτικές στο AppAgg. Σημεία παρακολούθησης: επιβεβαιωμένα 7, έμμεσα 0. Διαθέσιμες γλώσσες: English. Το AppAgg παρακολουθεί το ιστορικό τιμών, τις αξιολογήσεις και τα σχόλια των χρηστών για «SimplML». Ακολουθήστε μελλοντικές εκπτώσεις και ενημερώσεις μέσω RSS. Το AppAgg δεν φιλοξενεί εφαρμογές ούτε διανέμει λογισμικό. Όλα τα εμπορικά σήματα, τα λογότυπα και τα στιγμιότυπα οθόνης ανήκουν στους αντίστοιχους κατόχους τους.
SimplMLSimplML URL μικρού μήκους: Αντιγράφηκε!
  • 🌟 Κοινή χρήση
  • Mac App Store

Μπορεί επίσης να σας αρέσει

Μπορεί επίσης να σας αρέσει

Τελεστές αναζήτησης που μπορείτε να χρησιμοποιήσετε με το AppAgg
Προσθήκη στο AppAgg
AppAgg
Ξεκινήστε - είναι δωρεάν.
Εγγραφή
Είσοδος