[Feature Request] Hyper Parameter Tuning
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 5/5
- Tiempo estimado
- Más de una semana
- Aptitud para principiantes
- 20/100
- Tipo de issue
- Nueva funcionalidad
- Claridad
- Necesita aclaración
- Estado de actividad
- Estancado
- Stack tecnológico
- fsharp
- Área
- machine-learning
Línea de trabajo
Comienza revisando los algoritmos de machine learning existentes y la estructura del proyecto en FSharp.Stats para identificar puntos de extensión adecuados para el ajuste de hiperparámetros. Define el alcance previsto del framework, los algoritmos de ajuste compatibles y los criterios de finalización antes de la implementación; el issue no especifica archivos, pruebas ni un punto de entrada concretos.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
Is your feature request related to a problem? Please describe.
Many Machine learning algorithms take additional hyper parameters which can affect the model performance quite a bit. Finding the best hyper parameter values is called hyper parameter tuning (HPT). There are several approaches to do this.
Describe the solution you'd like
IMO having some kind of HPT framework and some HPT algorithms could well complement the set of machine learning algorithms implemented in FSharp.Stats.
- Lenguaje dominante
- F#
- Estrellas
- 227
- Forks
- 58
- Merge medio
- 2 d 7 h
- PR fusionados (30 d)
- 1
Preparar el entorno
- Sin Dockerfile ni archivo de Docker Compose
- Tiene una plantilla de pull request
- Leer la guía de contribución
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 fslaborg/FSharp.Stats
-
Documentation
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
fslaborg/FSharp.Stats#385 · 1 comentario ·
-
[aw] Repo Assist failedAbiertoagentic-workflows
Dificultad 3/5 1-2 días Aptitud para principiantes 35/100
fslaborg/FSharp.Stats#393 ·
-
[aw] Repo Assist failedAbiertoagentic-workflows
Dificultad 4/5 3-5 días Aptitud para principiantes 45/100
fslaborg/FSharp.Stats#391 ·
-
automation Documentation repo-assist
Dificultad 4/5 3-5 días Aptitud para principiantes 20/100
fslaborg/FSharp.Stats#390 ·
-
automation Documentation repo-assist
Dificultad 1/5 Menos de una hora Aptitud para principiantes 1/100
fslaborg/FSharp.Stats#382 ·
Todos los issues de fslaborg/FSharp.Stats
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 70/100
Los mantenedores suelen responder en 1 día
-
Dificultad 1/5 Menos de una hora Aptitud para principiantes 85/100
-
[BUG] mlflow.genai.evaluate fails for scorers that return NumPy scalars (np.bool_, np.int64, ...)Abiertoarea/evaluation bug
Dificultad 2/5 1-3 horas Aptitud para principiantes 85/100
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
ml-explore/mlx-lm#1949 ·
Los mantenedores suelen responder en 3 días
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 80/100
cleanlab/cleanvision#278 ·