R mlr

mlr 提供这些功能，以便您专注于实验！该框架包含监督学习方法（如分类、回归和生存分析）及其相应的评估与优化方法，以及无监督学习方法（如聚类）。其设计允许您自行扩展，或偏离已实现的便捷方法，以开展复杂的自定义实验。

该包与 OpenML R 包良好集成，后者旨在支持在线协作机器学习，可轻松共享数据集、机器学习任务、算法和实验。

清晰的 S3 接口，用于 R 中的分类、回归、聚类和生存分析方法
支持模型的拟合、预测、评估与重采样
通过 S3 继承实现简便的扩展机制
通过属性抽象描述学习器与任务
为学习器提供参数系统，用于编码数据类型和约束条件
丰富的便捷方法和通用构建模块，用于机器学习实验
重采样方法，如自助法、交叉验证和子抽样
丰富的可视化功能，例如 ROC 曲线、预测结果及部分预测
在多个数据集上对学习器进行基准测试
通过多种优化策略（包括强大的配置工具如 iterated F-racing (irace) 或基于序列模型的优化）实现便捷的超参数调优
使用过滤法和包装法进行变量选择
嵌套重采样，结合调参与特征选择
代价敏感学习、阈值调优与不平衡处理
封装机制，以复杂且自定义的方式扩展学习器功能
将多个处理步骤组合成一个可联合优化的复杂数据挖掘链
连接 Open Machine Learning 服务器的 OpenML 连接器
支持集成自定义组件的扩展点
内置并行化支持
单元测试