Skip to contents

mlr3learners.gpfit

Learner de régression par Processus Gaussiens pour mlr3 utilisant le package GPfit.

Note : Ce package implémente GPfit (R pur) au lieu de GPyTorch (Python) comme suggéré dans l’issue #487. GPfit a été choisi pour éviter les dépendances Python (reticulate) et fournir une implémentation entièrement en R, plus simple à maintenir et déployer.

Documentation

📚 Site web complet : https://mlr3learners-gpfit.netlify.app/

Contient : - Documentation complète de toutes les fonctions - Guide d’utilisation - Exemples de code

Installation

Installation depuis GitHub :

# install.packages("remotes")
remotes::install_github("KhalifaSeck/mlr3learners.gpfit")

Utilisation 

library(mlr3)
library(mlr3learners.gpfit)

# Créer une tâche de régression avec iris
task = as_task_regr(iris, target = "Sepal.Length", id = "iris_sepal")

# Créer le learner GP
learner = lrn("regr.gpfit")

# Entraîner le modèle
learner$train(task)

# Faire des prédictions
prediction = learner$predict(task)
print(prediction)

# Évaluer la performance
prediction$score(msr("regr.mse"))

Résultats du benchmark

GPfit a été comparé à 3 autres algorithmes sur 2 jeux de données de régression (validation croisée à 5 folds) :

Jeu de données GPfit CV-Glmnet KNN Featureless
iris_sepal 0.1002 0.1103 0.1311 0.6850
iris_petal 0.0696 0.1194 0.1075 3.1047

GPfit obtient les meilleures performances sur les deux jeux de données ! 🏆

L’analyse complète du benchmark est disponible dans le fichier vignettes/benchmark.Rmd du package.

Développement

Ce package inclut :

  • ✅ 7 tests unitaires (100% réussis)
  • ✅ Vignette avec analyse complète du benchmark
  • ✅ Intégration continue via GitHub Actions
  • ✅ Couverture de code suivie via Codecov
  • ✅ Site web de documentation déployé sur Netlify

Travaux connexes

Auteur

Khalifa SECK - GitHub

Licence

MIT License