Performance benchmarking (fit)
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 25/100
- Tipo di issue
- Funzionalità
- Chiarezza
- Da chiarire
- Stato di attività
- Ferma
- Stack tecnologico
- julia, scikit-learn
- Ambito
- machine-learning, performance, testing
Direzione di ricerca
Inizia definendo un approccio sistematico di benchmarking per i metodi di regressione e classificazione elencati, includendo il conteggio delle chiamate alla funzione, al gradiente e all’Hessian, nonché la convergenza dell’obiettivo. Confronta le implementazioni con scikit-learn e quantreg e considera completata l’issue quando per i casi elencati sono disponibili misurazioni riproducibili o grafici di convergenza rispetto alle aspettative indicate.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
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
- Lingua principale
- Julia
- Stelle
- 86
- Fork
- 16
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
Preparare l'ambiente
Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di JuliaAI/MLJLinearModels.jl
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 78/100
JuliaAI/MLJLinearModels.jl#187 · 1 reazione ·
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 58/100
JuliaAI/MLJLinearModels.jl#180 ·
-
help wanted
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
JuliaAI/MLJLinearModels.jl#163 · 4 commenti ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 45/100
JuliaAI/MLJLinearModels.jl#160 · 1 commento ·
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 42/100
JuliaAI/MLJLinearModels.jl#159 · 3 commenti ·
Tutte le issue di JuliaAI/MLJLinearModels.jl
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 79/100
Sienna-Platform/PowerSimulations.jl#1737 ·
I maintainer di solito rispondono entro 4 giorni
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
FluxML/Optimisers.jl#254 ·
-
Minor: floodplain warning percentage, scalar output error message and a never-true identity checkApertabug
Difficoltà 2/5 1-3 ore Idoneità per principianti 82/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
JuliaAI/MLJTransforms.jl#101 ·
I maintainer di solito rispondono entro 1 giorno
-
@contents blocks fail to render on Julia 1.14Forse già presa @sbfnk l’ha presa 1 giorno fa. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
LuxDL/DocumenterVitepress.jl#410 ·