HashSlap-Summer-of-Code/ml-core

Implement a Cross-Domain ML Benchmark Suite

Ouverte

#10 ouverte le 18 juin 2025

Voir sur GitHubGuide contributeur
 (0 commentaire) (0 réaction) (0 personne assignée)Jupyter Notebook (11 forks)auto 404
Intermediateenhancementhacktoberfesthssoc

Métriques du dépôt

Stars
 (3 étoiles)
Métriques de merge PR
 (Métriques PR en attente)

Description

Description:
Create a benchmark script to run and compare ML models from different folders on a shared dataset. Helps understand model performance across implementations.

Expected Tasks:

  • Choose or create a simple classification dataset (e.g., .csv).
  • Write a script (e.g., benchmark.py) to:
    • Import models like Perceptron, Linear Regression, etc.
    • Train and evaluate on the same dataset.
    • Output metrics like accuracy or F1 score.
  • Store benchmark results in a benchmarks/ folder.
  • Include summary output to console and optionally .csv.

Stretch Goal:

  • Add timing or memory comparisons.
  • Plot results using matplotlib or seaborn.

Guide contributeur

Direction de recherche
Sélectionnez un ensemble de données de classification simple (par exemple Iris ou un fichier CSV). Écrivez un script `benchmark.py` qui importe des modèles comme Perceptron et Régression Linéaire depuis scikit learn, les entraîne sur les mêmes données, évalue la précision/F1 et enregistre les résultats dans le dossier `benchmarks/`. Optionnellement, ajoutez des mesures de temps et des graphiques avec matplotlib/seaborn.
Stack technique
pythonscikit learnpandas
Domaine
machine learningdata
Type d'issue
Fonctionnalité
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
3
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
Une demi journée
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Récente
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Claire
Prérequis
Pythonscikit learnpandas
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
80