#11 · 主分类： 经典机器学习框架
mljar-supervised
automated-machine-learning
automl
automl-api
automl-python
catboost
data-science
decision-tree
ensemble
feature-engineering
hyper-parameters
hyperparameter-optimization
lightgbm
machine-learning
mljar
neural-network
random-forest
scikit-learn
xgboost
用于表格数据AutoML的Python包，包含特征工程、超参数调优、解释和自动文档生成。
项目最后更新：07/27/26
GitHub Stars
3.3K
Forks数量
451
贡献者数量
30
许可证
MIT
收录理由
mljar-supervised 把表格型分类与回归的建模流程整体打包：从预处理、特征工程，到尝试 LightGBM、XGBoost、CatBoost 和神经网络等算法，再到超参数调优，最后用集成与堆叠融合结果。调用一次 fit 就能把原始 CSV 变成调好参的模型，对想把时间花在业务问题而非管道搭建上的团队很省心。它的独特之处在于透明：每个训练好的模型都会附带一份详细的 Markdown 报告，涵盖特征重要性和 SHAP 解释，结果可以被审计，也能向干系人讲清楚。项目还能围绕训练好的模型生成一个可部署的 Web 应用，对不想写 Python 的人很友好。自动化与可解释性结合，让它成为需要站得住脚的模型而不仅仅是预测值时的务实选择。
相关文章
暂无针对该项目的文章。
如需补充新闻资讯、使用教程、应用测评等内容，欢迎 联系我们推荐选题或投稿。