mljar-supervised
Automatisiertes Machine-Learning-Python-Paket für tabellarische Daten mit Feature Engineering und automatischer Dokumentation.
Erstellen, optimieren und erklären Sie tabellarische ML-Pipelines mit automatisierter Dokumentation und Web-Apps.
mljar-supervised ist ein automatisiertes Machine-Learning-Python-Paket, das entwickelt wurde, um Data Scientists Zeit bei Aufgaben mit tabellarischen Daten zu sparen. Es übernimmt die Datenvorverarbeitung, Algorithmusauswahl, Hyperparameter-Optimierung und generiert automatisierte Markdown-Berichte.
Was es ist
Das Paket trainiert mehrere Modelle, darunter lineare Modelle, Random Forests, XGBoost, LightGBM, CatBoost und neuronale Netze, und kombiniert sie durch Ensembling und Stacking. Es berechnet Baseline-Modelle, behandelt fehlende Werte, erstellt Golden Features und bietet SHAP-basierte Modellerklärungen.
Für wen
Es eignet sich für Data Scientists und Analysten, die den repetitiven Aufbau von Pipelines und die Hyperparameter-Optimierung für tabellarische Daten automatisieren möchten. Es ist nicht geeignet für unstrukturierte Datenaufgaben wie die Verarbeitung von Rohbildern oder Audio.
Wichtige Funktionen
Integrierte Modi
Wählen Sie je nach Projektzielen zwischen den Modi Explain, Perform, Compete und Optuna.
Automatische Dokumentation
Generiert detaillierte Markdown-Berichte für jedes ML-Modell und jeden Analyseschritt.
Web-App-Generierung
Generieren Sie automatisch Vorhersage-Web-Apps mit Mercury, um sie mit Fachexperten zu teilen.
Fairness-bewusstes Training
Beinhaltet Optionen für ein fairness-bewusstes Modelltraining auf tabellarischen Daten.
Startklar in 3 Schritten
Unser ehrliches Fazit
Stärken
- Generiert interaktive Vorhersage-Web-Apps direkt aus trainierten Modellen.
- Bietet detaillierte Markdown-Berichte mit visuellen Erklärungen und SHAP-Werten.
- Unterstützt mehrere integrierte Betriebsmodi, die von der Erklärbarkeit bis zum wettbewerbsfähigen Stacking reichen.
- Behandelt fehlende Werte und fortgeschrittenes Feature Engineering automatisch.
Schwächen
- Rechenintensiv beim Ausführen der Modi Compete oder Optuna über viele Algorithmen hinweg.
- Streng auf tabellarische Datenformate beschränkt.
- Erfordert Python-Umgebungseinrichtung und Abhängigkeitsmanagement.
Preise & Lizenz
Kostenlos unter seiner Lizenz, wobei die einzigen Kosten Ihre eigenen Computerressourcen sind. MLJAR bietet auch eine kommerzielle gehostete Option namens MLJAR Studio an.
Stellen für Deutschsprachige
874 offene Remote-Stellen im KI-Training, aktualisiert am 15. November 2026; die meisten zahlen $20–$170 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Alternativen
Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.
Nutze es, oder lass es uns einrichten
FAQ
Welche Datenformate werden unterstützt?
Es wurde speziell für die Arbeit mit tabellarischen Daten entwickelt.
Kann ich Web-Apps für nicht-technische Benutzer erstellen?
Ja, Sie können mit dem integrierten Mercury-Tool automatisch Web-Apps erstellen und veröffentlichen.
