Ich habe mlr ein wenig benutzt, um etwas über maschinelles Lernen zu lernen, habe aber kürzlich etwas über Caret herausgefunden.
Ich verstehe es so, dass beide Wrapper für verschiedene ML-Pakete sind, aber leicht unterschiedliche Ansätze haben. Obwohl mlr anscheinend auch einige Dinge aus Caret einwickelt - so können wir mlr vielleicht als eine Obermenge von Caret betrachten.
Ich bin der Meinung, aus diesem Grund bei mlr zu bleiben, um nicht wechseln oder lernen zu müssen. Aber ich habe auch gehört, dass der Autor von Caret sich den Tidyverse-Leuten angeschlossen hat - vielleicht wird dies jetzt zum De-facto-Standard.
Ich habe offensichtlich mlr verwendet und ein wenig über Caret gelesen, aber angesichts meines relativen Mangels an ML-Erfahrung fühle ich mich nicht besonders qualifiziert, eine fundierte Bewertung der beiden vorzunehmen.
Gibt es Ansichten zu den Vor- und Nachteilen der beiden Pakete, die mehr Themen abdecken, einen rationaleren Ansatz haben, flexibler sind, andere Kommentare usw. usw.?
Bearbeiten: Entschuldigung, dass dies nicht stattdessen in Datascience veröffentlicht wurde, was eher von Python dominiert zu sein scheint (keine mlr- oder caret-Tags). Vielleicht wäre ein Stapelüberlauf besser, aber ich bin ziemlich interessiert an der Ansicht der Statistiker, wer sie verwendet.
quelle
Antworten:
Ich benutze Caret schon lange und liebe es. Ich habe mlr erst heute entdeckt und den größten Teil des Tages damit verbracht, zu lernen, wie man es benutzt. Ich habe mlr entdeckt, weil ich nach einer Möglichkeit gesucht habe, ein partielles Abhängigkeitsdiagramm variabler Wichtigkeiten aus zufälligen Waldmodellen zu erstellen.
Nach einem Tag Erfahrung neige ich tatsächlich dazu, zu mlr zu wechseln! Ich würde also sagen, bleib bei mlr, es sei denn, du hast einen zwingenden Grund, Zeit und Energie in das Lernen von Caret zu investieren.
quelle