[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-AxeldeRomblay--MLBox":3,"tool-AxeldeRomblay--MLBox":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":97,"env_os":98,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":102,"github_topics":103,"view_count":23,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":124,"updated_at":125,"faqs":126,"releases":157},2112,"AxeldeRomblay\u002FMLBox","MLBox","MLBox is a powerful Automated Machine Learning python library. ","MLBox 是一款功能强大的 Python 自动化机器学习库，旨在帮助用户高效地完成从数据读取到模型预测的全流程任务。它主要解决了传统机器学习中数据处理繁琐、特征选择困难以及超参数调优耗时等痛点，让使用者能将更多精力集中在业务逻辑而非重复性编码上。\n\n这款工具特别适合数据科学家、算法工程师以及希望快速构建高精度模型的开发者使用。无论是处理大规模分布式数据，还是应对复杂的分类与回归问题，MLBox 都能提供稳健的支持。其核心技术亮点包括：极速的数据清洗与格式化能力、高鲁棒性的特征选择与数据泄露检测机制，以及在高维空间中进行精准超参数优化的算法。此外，MLBox 集成了深度学习、Stacking 集成策略和 LightGBM 等前沿预测模型，并支持对预测结果进行可解释性分析，让用户不仅知其然，更知其所以然。如果你正在寻找一个既能提升效率又能保证模型性能的自动化解决方案，MLBox 值得尝试。",".. image:: docs\u002Flogos\u002Flogo.png\n\n|Documentation Status| |PyPI version| |Build Status| |GitHub Issues| |codecov| |License| |Downloads| |Python Versions|\n\n-----------------------\n\n**MLBox is a powerful Automated Machine Learning python library.** It provides the following features:\n\n\n* Fast reading and distributed data preprocessing\u002Fcleaning\u002Fformatting\n* Highly robust feature selection and leak detection\n* Accurate hyper-parameter optimization in high-dimensional space\n* State-of-the art predictive models for classification and regression (Deep Learning, Stacking, LightGBM,...)\n* Prediction with models interpretation\n\n\n**For more details**, please refer to the `official documentation \u003Chttps:\u002F\u002Fmlbox.readthedocs.io\u002Fen\u002Flatest\u002F>`__\n\n\n--------------------------\n\nHow to Contribute\n=================\n\nMLBox has been developed and used by many active community members. Your help is very valuable to make it better for everyone.\n\n- Check out `call for contributions \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Flabels\u002Fcall-for-contributions>`__ to see what can be improved, or open an issue if you want something.\n- Contribute to the `tests \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Ftree\u002Fmaster\u002Ftests>`__ to make it more reliable.\n- Contribute to the `documents \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Ftree\u002Fmaster\u002Fdocs>`__ to make it clearer for everyone.\n- Contribute to the `examples \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Ftree\u002Fmaster\u002Fexamples>`__ to share your experience with other users.\n- Open `issue \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fissues>`__ if you met problems during development.\n\nFor more details, please refer to `CONTRIBUTING \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fblob\u002Fmaster\u002Fdocs\u002Fcontributing.rst>`__.\n\n.. |Documentation Status| image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fmlbox\u002Fbadge\u002F?version=latest\n   :target: https:\u002F\u002Fmlbox.readthedocs.io\u002Fen\u002Flatest\u002F\n.. |PyPI version| image:: https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fmlbox.svg\n   :target: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fmlbox\n.. |Build Status| image:: https:\u002F\u002Ftravis-ci.org\u002FAxeldeRomblay\u002FMLBox.svg?branch=master\n   :target: https:\u002F\u002Ftravis-ci.org\u002FAxeldeRomblay\u002FMLBox\n.. |GitHub Issues| image:: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002FAxeldeRomblay\u002FMLBox.svg\n   :target: https:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fissues\n.. |codecov| image:: https:\u002F\u002Fcodecov.io\u002Fgh\u002FAxeldeRomblay\u002FMLBox\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg\n   :target: https:\u002F\u002Fcodecov.io\u002Fgh\u002FAxeldeRomblay\u002FMLBox\n.. |License| image:: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-BSD%203--Clause-blue.svg\n   :target: https:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fblob\u002Fmaster\u002FLICENSE\n.. |Downloads| image:: https:\u002F\u002Fpepy.tech\u002Fbadge\u002Fmlbox\n   :target: https:\u002F\u002Fpepy.tech\u002Fproject\u002Fmlbox\n.. |Python Versions| image:: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fmlbox.svg\n   :target: https:\u002F\u002Fpypi.org\u002Fproject\u002Fmlbox\n",".. image:: docs\u002Flogos\u002Flogo.png\n\n|文档状态| |PyPI版本| |构建状态| |GitHub Issues| |codecov| |许可证| |下载量| |Python版本|\n\n-----------------------\n\n**MLBox 是一个功能强大的自动化机器学习 Python 库。** 它提供以下功能：\n\n\n* 快速读取和分布式数据预处理\u002F清洗\u002F格式化\n* 高度鲁棒的特征选择和泄露检测\n* 在高维空间中进行精确的超参数优化\n* 用于分类和回归的最先进预测模型（深度学习、堆叠、LightGBM等）\n* 带有模型解释的预测\n\n\n**更多详情**，请参阅 `官方文档 \u003Chttps:\u002F\u002Fmlbox.readthedocs.io\u002Fen\u002Flatest\u002F>`__\n\n\n--------------------------\n\n如何贡献\n=================\n\nMLBox 已经由许多活跃的社区成员开发并使用。您的帮助对于让它对所有人更好非常宝贵。\n\n- 查看 `贡献征集 \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Flabels\u002Fcall-for-contributions>`__ ，了解有哪些可以改进的地方，或者如果您有需求，也可以直接提交一个问题。\n- 参与 `测试 \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Ftree\u002Fmaster\u002Ftests>`__ 的编写，以提高其可靠性。\n- 参与 `文档 \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Ftree\u002Fmaster\u002Fdocs>`__ 的编写，使其更加清晰易懂。\n- 参与 `示例 \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Ftree\u002Fmaster\u002Fexamples>`__ 的编写，与其他用户分享您的经验。\n- 如果在开发过程中遇到问题，请提交 `问题 \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fissues>`__。\n\n更多详情，请参阅 `CONTRIBUTING \u003Chttps:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fblob\u002Fmaster\u002Fdocs\u002Fcontributing.rst>`__。\n\n.. |Documentation Status| image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fmlbox\u002Fbadge\u002F?version=latest\n   :target: https:\u002F\u002Fmlbox.readthedocs.io\u002Fen\u002Flatest\u002F\n.. |PyPI version| image:: https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fmlbox.svg\n   :target: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fmlbox\n.. |Build Status| image:: https:\u002F\u002Ftravis-ci.org\u002FAxeldeRomblay\u002FMLBox.svg?branch=master\n   :target: https:\u002F\u002Ftravis-ci.org\u002FAxeldeRomblay\u002FMLBox\n.. |GitHub Issues| image:: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002FAxeldeRomblay\u002FMLBox.svg\n   :target: https:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fissues\n.. |codecov| image:: https:\u002F\u002Fcodecov.io\u002Fgh\u002FAxeldeRomblay\u002FMLBox\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg\n   :target: https:\u002F\u002Fcodecov.io\u002Fgh\u002FAxeldeRomblay\u002FMLBox\n.. |License| image:: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-BSD%203--Clause-blue.svg\n   :target: https:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fblob\u002Fmaster\u002FLICENSE\n.. |Downloads| image:: https:\u002F\u002Fpepy.tech\u002Fbadge\u002Fmlbox\n   :target: https:\u002F\u002Fpepy.tech\u002Fproject\u002Fmlbox\n.. |Python Versions| image:: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fmlbox.svg\n   :target: https:\u002F\u002Fpypi.org\u002Fproject\u002Fmlbox","# MLBox 快速上手指南\n\nMLBox 是一个功能强大的 Python 自动化机器学习（AutoML）库，支持快速数据读取、分布式预处理、鲁棒的特征选择、高维空间超参数优化以及基于深度学习、Stacking 和 LightGBM 等前沿模型的预测与解释。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS, Windows\n*   **Python 版本**：支持 Python 3.x（具体兼容版本请参考 PyPI 页面）\n*   **前置依赖**：\n    *   建议先安装基础科学计算库（如 `numpy`, `pandas`, `scikit-learn`）。\n    *   若需使用分布式功能或深度学习模型，请确保已安装对应的后端依赖（如 `dask`, `tensorflow` 或 `pytorch`，MLBox 安装时通常会尝试自动处理部分依赖，但手动预装更稳定）。\n\n## 安装步骤\n\n推荐使用 pip 进行安装。国内开发者可使用清华源或阿里源加速下载。\n\n**使用官方源安装：**\n```bash\npip install mlbox\n```\n\n**使用国内镜像源加速安装（推荐）：**\n```bash\npip install mlbox -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n以下是一个最简单的分类任务示例，展示从数据读取到模型预测的完整流程。\n\n```python\nfrom mlbox.preprocessing import read_data, preprocess_data\nfrom mlbox.optimisation import Optimiser\nfrom mlbox.prediction import Predictor\n\n# 1. 定义路径和目标变量\npath = \"data\u002F\"  # 数据文件夹路径\ntarget_name = \"target\"  # 目标列名\n\n# 2. 读取数据\ndata = read_data(path)\n\n# 3. 数据预处理（自动清洗、格式化、特征选择等）\npreprocessed_data = preprocess_data(data)\n\n# 4. 超参数优化\nopt = Optimiser(scoring=\"roc_auc\", n_folds=5)\nbest_params = opt.optimise(preprocessed_data, target_name)\n\n# 5. 训练与预测\npred = Predictor()\npred.fit_predict(best_params, preprocessed_data, target_name)\n```\n\n**说明：**\n*   `read_data`：自动识别并读取指定目录下的训练集和测试集。\n*   `preprocess_data`：执行缺失值填充、编码、特征选择及泄露检测。\n*   `Optimiser`：在高维空间中搜索最佳超参数。\n*   `Predictor`：使用最优参数训练最终模型并生成预测结果（结果通常保存在 `predictions` 文件夹中）。","某电商公司的数据科学团队正面临紧急任务，需要在两天内基于海量用户行为日志构建一个高精度的购买转化率预测模型，以支持即将到来的大促活动。\n\n### 没有 MLBox 时\n- **数据清洗耗时过长**：面对缺失值、异常值和格式混乱的原始日志，工程师需手动编写大量 Pandas 代码进行预处理，耗费了 70% 的项目时间。\n- **特征泄露风险高**：人工筛选特征时难以察觉潜在的数据泄露问题，导致模型在训练集表现完美，但上线后效果大幅跳水。\n- **调参效率低下**：面对高维特征空间，传统网格搜索速度极慢，往往还没找到最优超参数组合，项目截止日期就到了。\n- **模型选型局限**：团队习惯仅使用熟悉的随机森林或 XGBoost，难以快速尝试深度学习或 Stacking 等更前沿的算法架构。\n\n### 使用 MLBox 后\n- **自动化数据预处理**：利用 MLBox 的分布式数据处理能力，自动完成读取、清洗和格式化，将数据准备时间从数天缩短至几小时。\n- **智能特征工程**：内置的鲁棒性特征选择与泄露检测机制，自动剔除无效变量并阻断泄露路径，确保模型泛化能力稳健可靠。\n- **高效超参数优化**：在高维空间中自动执行精准的超参数搜索，快速锁定最佳模型配置，显著提升迭代效率。\n- **集成顶尖算法**：一键调用 LightGBM、深度学习及 Stacking 等状态-of-the-art 模型，并直接输出带有可解释性的预测结果，无需重复造轮子。\n\nMLBox 通过将繁琐的机器学习流程自动化，让数据团队能从低效的代码劳作中解放出来，专注于业务逻辑与高价值决策。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAxeldeRomblay_MLBox_cdc79d55.png","AxeldeRomblay","Axel","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAxeldeRomblay_b80b7f3b.jpg","Lead AI","Jellysmack","Paris",null,"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Faxel-de-romblay-6444a990\u002F","https:\u002F\u002Fgithub.com\u002FAxeldeRomblay",[85,89],{"name":86,"color":87,"percentage":88},"Python","#3572A5",99.4,{"name":90,"color":91,"percentage":92},"Makefile","#427819",0.6,1529,272,"2026-04-02T08:35:29","NOASSERTION",1,"未说明",{"notes":100,"python":98,"dependencies":101},"README 中未提供具体的运行环境需求（如操作系统、GPU、内存、Python 版本及依赖库列表）。文中仅提到该库支持深度学习（Deep Learning）、LightGBM 等模型，并具备分布式数据预处理功能，暗示可能需要相应的后端支持，但具体配置需参考官方文档或源代码。",[98],[54,13,51],[104,105,106,107,108,109,110,111,112,113,114,115,116,117,118,119,120,121,122,123],"machine-learning","auto-ml","kaggle","deep-learning","stacking","pipeline","optimization","preprocessing","encoding","prediction","distributed","xgboost","drift","classification","regression","lightgbm","keras","automated-machine-learning","automl","data-science","2026-03-27T02:49:30.150509","2026-04-06T05:17:28.991682",[127,132,137,142,147,152],{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},9726,"安装 MLBox 时遇到 xgboost 编译错误或版本冲突怎么办？","这是一个已知问题。在最新版本中，xgboost 依赖已被移除或替换为 lightgbm。如果您仍在使用旧版本，可以尝试手动修改 setup.py 文件，将 \"xgboost==0.6a2\" 改为 \"xgboost>=0.6a2\"，或者先手动全局安装 xgboost 和编译工具（如 build-essential, cmake）。建议直接升级到最新版的 MLBox（0.8.1+），该版本已解决此依赖问题并默认使用 lightgbm。","https:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fissues\u002F63",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},9727,"运行 setup.py 时提示 'no commands supplied' 或 'invalid command' 错误如何解决？","不要直接运行 `python setup.py`，这需要指定命令。如果您是想从源码安装，请确保安装了 wheel 包（`pip install wheel`），然后尝试运行 `python setup.py bdist_wheel`。但更推荐的方式是直接使用 pip 安装发布版：`pip install mlbox`，以避免源码编译带来的环境配置问题（如缺少 patchelf 等工具）。","https:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fissues\u002F7",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},9728,"MLBox 是否支持 Python 3.7 及以上版本？","是的，从 MLBox 0.8.1 版本开始已正式兼容 Python 3.7。该版本修复了之前的依赖问题和评估指标（如二元分类中的 roc_auc）错误。请直接通过 `pip install --upgrade mlbox` 更新到最新版本即可在 Python 3.7 环境中使用。","https:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fissues\u002F72",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},9729,"数据清洗（Cleaning）过程在多核 CPU 上运行极慢或卡死怎么办？","这是由于并行处理（n_jobs=-1）在某些系统（特别是 Windows）上导致的开销过大。临时解决方法是修改 MLBox 源代码中的预处理文件，找到使用 `Parallel(n_jobs=-1)` 的地方，将其改为 `Parallel(n_jobs=1)` 以强制单线程运行。具体代码位置通常在数据转换部分：`df = pd.concat(Parallel(n_jobs=1)(delayed(convert_list)(df[col]) for col in df.columns), axis=1)`。后续版本计划将读取和清洗类分离以优化此问题。","https:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fissues\u002F40",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},9730,"运行时出现 'Hub connection request timed out' 或类型错误（TypeError: unsupported operand type(s) for +: 'int' and 'str'）如何解决？","这通常是由于变量类型不匹配导致的。在预处理生成的脚本中，检查报错行（如 fichier.write 处），确保所有参与字符串拼接的变量都显式转换为字符串。例如，将代码中的变量 `var` 修改为 `str(var)`。即把 `fichier.write(var + ...)` 改为 `fichier.write(str(var) + ...)` 即可解决整数与字符串相加的错误。","https:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fissues\u002F29",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},9731,"在 Windows 上运行代码时程序冻结（Frozen）无响应是什么原因？","在 Windows 上使用多进程（multiprocessing）时，如果没有正确保护入口点，程序容易冻结。请确保您的主代码块被包裹在 `if __name__ == '__main__':` 中。此外，Windows 上的并行计算（n_jobs=-1）可能导致死锁，建议在 Reader 或预处理步骤中显式设置 `n_jobs=1` 来测试是否能正常运行。","https:\u002F\u002Fgithub.com\u002FAxeldeRomblay\u002FMLBox\u002Fissues\u002F30",[158,163,168,173,178,183,188],{"id":159,"version":160,"summary_zh":161,"released_at":162},106993,"v0.8.1","- support for python 3.5, 3.6 & 3.7  \r\n- update package dependencies","2019-08-25T22:46:42",{"id":164,"version":165,"summary_zh":166,"released_at":167},106994,"v0.7.0","- add support for Mac OS & Windows\r\n- update support for python versions\r\n- improve setup\r\n- add tests\r\n- improve documentation & examples\r\n- minor changes in the package architecture","2019-06-27T14:13:07",{"id":169,"version":170,"summary_zh":171,"released_at":172},106995,"v0.5.0","Parallelisation issues are now fixed ! Importing MLBox is now immediate...","2017-08-25T09:08:43",{"id":174,"version":175,"summary_zh":176,"released_at":177},106996,"v0.4.0","MLBox will automatically save and reload fitted models while fitting a pipeline configuration","2017-07-18T10:13:33",{"id":179,"version":180,"summary_zh":181,"released_at":182},106997,"v0.3.1","MLBox is now out on PyPI ! ","2017-07-12T07:46:30",{"id":184,"version":185,"summary_zh":186,"released_at":187},106998,"v0.3.0","MLBox is now compatible with : Python 2.7, 3.4, 3.5 and 3.6","2017-07-11T10:33:08",{"id":189,"version":190,"summary_zh":191,"released_at":192},106999,"v0.2.2","Compatible with Python 2.7","2017-07-10T13:34:49"]