Self-paced Ensemble (SPE)是一个处理大规模高度不平衡数据分类的集成学习框架。SPE采用严格平衡的欠采样策略,无需计算样本间距离,适用于各类数据集。该框架计算高效,性能优异,可与多种学习模型兼容。作为通用框架,SPE能提升现有方法在不平衡数据上的表现,特别适合处理噪声大、极度不平衡的大规模数据集。

AutoMLPipeline工具包用简洁表达式构建复杂机器学习管道。它基于Julia宏编程实现符号化处理,便于优化回归和分类模型结构。主要特点包括符号化API、常用库封装、可扩展架构、元集成学习和特征选择。该工具简化了从数据预处理到模型训练的流程,支持多种算法组件。

imbalanced-ensemble是一个针对类别不平衡数据的Python集成学习库。该库提供15种以上的集成不平衡学习算法和19种采样方法,特点包括易用API、优化性能和强大可视化功能。完全兼容scikit-learn和imbalanced-learn,支持二分类和多分类任务。imbalanced-ensemble适用于类别不平衡集成学习模型的快速实现、修改、评估和可视化。

该项目汇集深度学习不确定性估计领域的论文、代码、书籍和博客。内容涵盖贝叶斯方法、集成方法、采样/dropout方法等技术，以及在分类、回归、异常检测等方面的应用。项目为研究人员和实践者提供全面参考，助力深入理解和应用深度学习中的不确定性估计。