mlr은이를 통해 실험에 집중할 수 있습니다!프레임 워크는 분류, 회귀 및 생존 분석과 같은 감독 된 방법과 해당 평가 및 최적화 방법뿐만 아니라 군집과 같은 감독되지 않은 방법을 제공합니다.직접 확장하거나 구현 된 편의 방법과 복잡한 실험에서 벗어날 수있는 방식으로 작성되었습니다.package는 OpenML R 패키지와 잘 연결되어 있으며 온라인으로 협업 기계 학습을 지원하고 기계 학습 작업, 알고리즘 및 실험뿐만 아니라 데이터 세트를 쉽게 공유 할 수 있습니다.R 분류, 회귀, 클러스터링 및 생존 분석 방법에 대한 명확한 S3 인터페이스 모델 적합, 예측, 평가 및 재 샘플링 가능성 S3 상속을 통한 손쉬운 확장 메커니즘 속성 별 학습자와 작업에 대한 추상 설명 데이터 유형 및 제약 조건을 인코딩하는 학습자를위한 매개 변수 시스템 많은 편의머신 러닝 실험을위한 방법 및 일반적인 빌딩 블록 부트 스트래핑, 교차 검증 및 서브 샘플링과 같은 리샘플링 방법 ROC 곡선, 예측 및 부분 예측과 같은 광범위한 시각화 여러 데이터 세트에 대한 학습자 벤치마킹 여러 데이터 세트에 대한 학습자 벤치마킹반복 F- 레이싱 (irace) 또는 순차적 모델 기반 최적화 필터 및 래퍼를 사용한 변수 선택 튜닝 및 기능 선택을 통한 모델의 중첩 된 리샘플링 비용에 민감한 학습, 임계 값 튜닝 및 불균형 보정 학습자 기능을 확장하는 래퍼 메커니즘복잡하고 사용자 정의 방식의 효율성 Open Machine Learning 서버를 위해 OpenML 커넥터를 공동으로 최적화 할 수있는 복잡한 데이터 마이닝 체인에 서로 다른 처리 단계를 결합하여 자체 자료 통합을위한 병렬화 병렬화가 내장되어 있습니다.