mlrはこれを提供するため、実験に集中できます。このフレームワークは、分類、回帰、生存分析などの教師付きメソッドと、対応する評価および最適化メソッド、クラスタリングなどの教師なしメソッドを提供します。独自に拡張したり、実装された便利なメソッドや独自の複雑な実験から逸脱したりできるように書かれています。パッケージは、OpenML Rパッケージにうまく接続されています。これは、オンラインでの共同機械学習をサポートすることを目的としており、データセットや機械学習タスク、アルゴリズム、実験を簡単に共有できます。R分類、回帰、クラスタリング、および生存分析メソッドへの明確なS3インターフェイスモデルの適合、予測、評価、およびリサンプリングの可能性S3継承による簡単な拡張メカニズムプロパティによる学習者とタスクの概要説明学習者がデータ型と制約をエンコードするためのパラメーターシステム機械学習実験用のメソッドと汎用ビルディングブロックブートストラップ、クロス検証、サブサンプリングなどのリサンプリングメソッドROC曲線、予測、部分予測などの広範な視覚化複数のデータセットに対する学習者のベンチマーク反復F-racing（irace）または逐次モデルベースの最適化フィルターおよびラッパーを使用した変数選択チューニングおよび機能選択によるモデルのネストされたリサンプリングコストに敏感な学習、しきい値調整、不均衡補正学習者機能を拡張するラッパーメカニズム複雑でカスタムな方法でのナリティさまざまな処理ステップを、Open Machine Learningサーバー用のOpenMLコネクタを共同で最適化できる複雑なデータマイニングチェーンに組み合わせて、独自の要素を統合するための拡張ポイント...