catboost/catboost

minimal training time benchmark

Open

#33 geöffnet am 19. Juli 2017

Auf GitHub ansehen
 (4 Kommentare) (1 Reaktion) (0 zugewiesene Personen)Python (1.163 Forks)batch import
good first issuehelp wantedperformanceplanned

Repository-Metriken

Stars
 (7.556 Stars)
PR-Merge-Metriken
 (Keine gemergten PRs in 30 T)

Beschreibung

vs h2o/xgboost/lightgbm: https://github.com/szilard/GBM-perf/issues/4

also see this: https://github.com/szilard/benchm-ml

Contributor Guide

Research-Richtung
Richten Sie eine Benchmarking Umgebung ein, indem Sie die erforderlichen Repositories (Catboost, H2O, XGBoost, LightGBM) klonen. Verwenden Sie die bereitgestellten Links, um die Benchmark Skripte für den Vergleich der Trainingszeit zu replizieren. Befolgen Sie die Anweisungen in den referenzierten Issues, um die Benchmarks auf einem Standarddatensatz auszuführen. Sammeln und analysieren Sie die Ergebnisse und berichten Sie die Erkenntnisse im Issue.
Tech Stack
python
Domain
machine learningperformance
Issue Type
Recherche
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
2
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
Halber Tag
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Veraltet
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Klar
Voraussetzungen
PythonGit
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
60