Performance benchmarking (fit)
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 5/5
- Tiempo estimado
- Más de una semana
- Aptitud para principiantes
- 25/100
- Tipo de issue
- Nueva funcionalidad
- Claridad
- Necesita aclaración
- Estado de actividad
- Estancado
- Stack tecnológico
- julia, scikit-learn
- Área
- machine-learning, performance, testing
Línea de trabajo
Empieza definiendo un enfoque sistemático de benchmarking para los métodos de regresión y clasificación enumerados, incluidos los recuentos de llamadas a la función, al gradiente y al Hessian, así como la convergencia del objetivo. Compara las implementaciones con scikit-learn y quantreg, y considera completado el issue cuando los casos enumerados tengan mediciones reproducibles o gráficos de convergencia en relación con las expectativas indicadas.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
Before starting this, need a way to systematically:
- trace number of function calls, number of gradient calls, number of hessian calls
- have a way to stop with universal criterion OR show a plot where the objective function decreases and eventually hits the same value as that from ref package.
Against scikitlearn
expect on par or better
- ridge (in big case should see improvements from using CG)
- analytical (should see no real diff)
- CG
- lasso
- FISTA
- ISTA
- elnet
- logistic (no or l2 penalty)
- (cannot test Newton)
- Newton CG see issue #24
- LBFGS
- logistic (elnet penalty)
- FISTA
- ISTA
- multinomial (no or l2 penalty)
- Newton CG see issue #24
- LBFGS
- multinomial (elnet penalty)
- FISTA
- ISTA
Against quantreg
expect a bit worse (quantreg is effectively in cpp)
- quantile regression
- Lenguaje dominante
- Julia
- Estrellas
- 86
- Forks
- 16
- Métricas de merge de PR
- Sin PR fusionados en 30 d
Preparar el entorno
Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de JuliaAI/MLJLinearModels.jl
-
Dificultad 3/5 1-2 días Aptitud para principiantes 78/100
JuliaAI/MLJLinearModels.jl#187 · 1 reacción ·
-
Dificultad 4/5 3-5 días Aptitud para principiantes 58/100
JuliaAI/MLJLinearModels.jl#180 ·
-
help wanted
Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100
JuliaAI/MLJLinearModels.jl#163 · 4 comentarios ·
-
Warning: f_tol is deprecated.Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 45/100
JuliaAI/MLJLinearModels.jl#160 · 1 comentario ·
-
Dificultad 3/5 1-2 días Aptitud para principiantes 42/100
JuliaAI/MLJLinearModels.jl#159 · 3 comentarios ·
Todos los issues de JuliaAI/MLJLinearModels.jl
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 79/100
Sienna-Platform/PowerSimulations.jl#1737 ·
Los mantenedores suelen responder en 4 días
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
FluxML/Optimisers.jl#254 ·
-
Minor: floodplain warning percentage, scalar output error message and a never-true identity checkAbiertobug
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
JuliaAI/MLJTransforms.jl#101 ·
Los mantenedores suelen responder en 1 día
-
@contents blocks fail to render on Julia 1.14Posiblemente ocupada @sbfnk la tomó hace 1 día. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
LuxDL/DocumenterVitepress.jl#410 ·