Probablemente estés buscando algo como Auto-WEKA.
Dado un conjunto de datos, Auto-WEKA intenta aplicar todos los algoritmos disponibles en Weka, y también realiza ajustes de parámetros.
Aquí está la descripción:
Auto-WEKA considera el problema de seleccionar simultáneamente un algoritmo de aprendizaje y establecer sus hiperparámetros, yendo más allá de los métodos anteriores que abordan estos problemas de forma aislada. Auto-WEKA hace esto utilizando un enfoque totalmente automatizado, aprovechando las innovaciones recientes en la optimización bayesiana. Esperamos que Auto-WEKA ayude a los usuarios no expertos a identificar de manera más efectiva los algoritmos de aprendizaje automático y la configuración de hiperparámetros apropiados para sus aplicaciones y, por lo tanto, lograr un rendimiento mejorado.
- ¿Por qué la normalización por lotes de las activaciones lineales de una red neuronal no es útil para eliminar el cambio de covariable interno?
- ¿Debería aprender aprendizaje automático, desarrollo en la nube o desarrollo de juegos en Unity como estudiante universitario de primer año?
- ¿Por qué se usa tanto el aumento de gradiente con los árboles de decisión, en lugar de con otros clasificadores?
- ¿Qué es más poderoso, la red neuronal convolucional o la red artificial? ¿Cuál es más conveniente de usar?
- ¿Cuál es la diferencia entre el paralelismo del modelo y el paralelismo de datos?
Puede descargarlo desde aquí: Auto-WEKA
Y también puede consultar el documento de AutoWeka: Selección combinada y optimización de hiperparámetros de algoritmos de clasificación