We present two related Stata modules, r_ml_stata and c_ml_stata, for fitting popular Machine Learning (ML) methods both in regression and classification settings. Using the recent Stata/Python integration platform (sfi) of Stata 16, these commands provide hyper-parameters' optimal tuning via K-fold cross-validation using greed search. More specifically, they make use of the Python Scikit-learn API to carry out both cross-validation and outcome/label prediction.
翻译：我们提出了两个相关的 Stata 模块, 即 r_ml_ stata 和 c_ml_stata, 用于在回归和分类设置中安装流行机器学习(ML) 方法。 这些指令使用最近 Stata 16 的 Stata/ Python 整合平台( sfi), 利用贪婪搜索, 通过 K 倍交叉校验提供超参数的最佳调试。 更具体地说, 它们利用 Python Sciikt-learn API 进行交叉验证和结果/ 标签预测 。
相关内容
机器学习（Machine Learning）是一个研究计算学习方法的国际论坛。该杂志发表文章，报告广泛的学习方法应用于各种学习问题的实质性结果。该杂志的特色论文描述研究的问题和方法，应用研究和研究方法的问题。有关学习问题或方法的论文通过实证研究、理论分析或与心理现象的比较提供了坚实的支持。应用论文展示了如何应用学习方法来解决重要的应用问题。研究方法论文改进了机器学习的研究方法。所有的论文都以其他研究人员可以验证或复制的方式描述了支持证据。论文还详细说明了学习的组成部分，并讨论了关于知识表示和性能任务的假设。
官网地址：http://dblp.uni-trier.de/db/journals/ml/
Arxiv
0+阅读 · 2021年4月26日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2021年4月26日
微信扫码咨询专知VIP会员