mlr این را فراهم می کند تا بتوانید روی آزمایش های خود تمرکز کنید!این چارچوب روشهای نظارتی نظیر طبقه بندی ، رگرسیون و تجزیه و تحلیل بقا را به همراه روشهای ارزیابی و بهینه سازی متناظر آنها و همچنین روشهای بدون نظارت مانند خوشه بندی ارائه می دهد.به روشی نوشته شده است که می توانید خودتان آنرا گسترش داده یا از روشهای راحت اجرا شده و آزمایشهای پیچیده خود منحرف شوید.بسته به سادگی به بسته OpenML R وصل شده است ، که هدف آن پشتیبانی از یادگیری ماشین مشارکتی بصورت آنلاین است و اجازه می دهد تا به راحتی داده های مجموعه و همچنین وظایف یادگیری ماشین ، الگوریتم ها و آزمایش ها را به اشتراک بگذارید.پاک کردن رابط S3 با طبقه بندی R ، رگرسیون ، خوشه بندی و روشهای تجزیه و تحلیل بقا امکان متناسب سازی ، پیش بینی ، ارزیابی و تغییر مجدد مدلها مکانیسم فرمت آسان از طریق وراثت S3 توضیحات چکیده زبان آموزان و وظایف توسط خواص سیستم پارامتر برای فراگیران برای رمزگذاری انواع داده ها و محدودیت ها در بسیاری از مواردروش ها و بلوک های ساختاری عمومی برای آزمایش های یادگیری دستگاه شما روش های تغییر مجدد مانند bootstrapping ، اعتبار سنجی متقاطع و نمونه برداری تجسم های گسترده برای مثال منحنی های ROC ، پیش بینی ها و پیش بینی های جزئی معیار یادگیری فراگیران برای مجموعه های داده های متعدد تنظیم آسان Hyperparameter تنظیم با استفاده از استراتژی های بهینه سازی مختلف ، از جمله تنظیمات قدرتمند مانندتکرار F-racing (irace) یا بهینه سازی مبتنی بر مدل متوالی انتخاب متغیر با فیلترها و بسته بندیها بازسازی نمونه مدلها با تنظیم و انتخاب ویژگی یادگیری حساس به هزینه ، تنظیم آستانه و اصلاح عدم تعادل مکانیسم بسته بندی برای گسترش functio یادگیرندهطبیعت به شیوه های پیچیده و سفارشی مراحل مختلف پردازش را به یک زنجیره داده کاوی پیچیده که می تواند به طور مشترک بهینه سازی شده اتصال OpenML برای سرور Open Learning Learning Server اضافه شود امتیازات اضافی را برای ادغام چیزهای شخصی خود تنظیم کنید.