nubank/fklearn

解決する課題

機械学習におけるモデル検証と本番環境へのデプロイの間のギャップを解消します。本番環境で使用されるモデルが検証済みのモデルと一致することを保証し、研究からデプロイへの移行を最小限の追加ステップで本番環境に対応させることを目的としています。

仕組み

fklearn は、機械学習のワークフローに関数型プログラミングの原則を適用します。再現性、結果の詳細な分析、そして検証環境と本番環境の厳密な整合性を重視したフレームワークを提供します。

対象ユーザー

関数型プログラミングのパターンを適用し、機械学習モデルの再現性と本番環境への適合性を確保したいデータサイエンティストおよび機械学習エンジニア。

ハイライト

• LightGBM、XGBoost、CatBoost を含む複数のモデルバックエンドをサポート。
• 本番モデルが検証済みモデルと一致することを保証することに重点を置いています。
• 再現性とモデル結果の詳細な分析のために設計されています。