[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-cod3licious--autofeat":3,"similar-cod3licious--autofeat":99},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":18,"owner_twitter":18,"owner_website":20,"owner_url":21,"languages":22,"stars":31,"forks":32,"last_commit_at":33,"license":34,"difficulty_score":35,"env_os":36,"env_gpu":37,"env_ram":37,"env_deps":38,"category_tags":49,"github_topics":53,"view_count":63,"oss_zip_url":18,"oss_zip_packed_at":18,"status":64,"created_at":65,"updated_at":66,"faqs":67,"releases":98},1155,"cod3licious\u002Fautofeat","autofeat","Linear Prediction Model with Automated Feature Engineering and Selection Capabilities","Autofeat 是一个 Python 库，专为提升线性预测模型的性能而设计。它通过自动化的特征工程和选择功能，帮助用户从数据中挖掘出更有价值的非线性特征，并筛选出对模型最有帮助的部分。这样可以在保持线性模型可解释性的前提下，提高预测准确性。适合需要模型透明度的研究人员和开发者使用，尤其在处理大型数据集或需要发现非线性关系的场景中表现突出。Autofeat 与 scikit-learn 完全兼容，便于集成到现有工作流中。其核心亮点在于自动化流程和对线性模型的增强能力。","# Autofeat\n\n**Autofeat** is a Python library that provides `sklearn`-compatible linear prediction models with automated feature engineering and selection capabilities.\n\n## Overview\n\nAutofeat simplifies the process of improving linear model performance by automating feature generation and selection. It first generates a wide range of non-linear features, then selects a small, robust subset of meaningful features that enhance the predictive power of linear models. This multi-step approach allows you to harness the interpretability of linear models without sacrificing accuracy.\n\n### Key Features:\n- **Automated Feature Generation and Selection**: Automates the process of generating and selecting features for linear models for improved performance.\n- **Improved Performance and Interpretability**: The generated features improve prediction accuracy while retaining the intuitive interpretability of linear models.\n- **Seamless Integration**: Fully compatible with `scikit-learn` pipelines, making it easy to integrate into your existing machine learning workflows.\n\n### Use Cases:\n- Ideal for **supervised learning tasks** where model transparency is crucial for decision-making.\n- Suitable for **feature selection** in large datasets, automating the discovery of important variables.\n- Useful in scenarios where **non-linear features** need to be discovered and leveraged without complicating the model.\n\n**Note:** The code is intended for research purposes. Results may vary depending on the dataset and use case.\n\n## Installation\n\nAutofeat is available on PyPI, making it easy to install via `pip`:\n\n```\npip install autofeat\n```\n### Other Dependencies\n- numpy\n- pandas\n- scikit-learn\n- sympy\n- joblib\n- pint\n- numba\n\n## Documentation and Resources\n| Description | Link |\n|-------------|------|\n| Example Notebooks | [examples](\u002Fnotebooks\u002F) |\n| Documentation | [documentation](https:\u002F\u002Fcod3licious.github.io\u002Fautofeat) |\n| Paper | [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1901.07329) |\n| Talk | [PyData talk](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=4-4pKPv9lJ4) |\n\nIf any of this code was helpful for your work, please consider citing the paper:\n```\n@inproceedings{horn2019autofeat,\n  title={The autofeat Python Library for Automated Feature Engineering and Selection},\n  author={Horn, Franziska and Pack, Robert and Rieger, Michael},\n  booktitle={Joint European Conference on Machine Learning and Knowledge Discovery in Databases},\n  pages={111--120},\n  year={2019},\n  organization={Springer}\n}\n```\n\nIf you have any questions please don't hesitate to send me an [email](mailto:cod3licious@gmail.com) and of course if you should find any bugs or want to contribute other improvements, pull requests are very welcome!\n\n## Acknowledgments\nThis project was made possible thanks to support by [BASF](https:\u002F\u002Fwww.basf.com).\n\n","# Autofeat\n\n**Autofeat** 是一个 Python 库，提供与 `sklearn` 兼容的线性预测模型，并具备自动化的特征工程和特征选择功能。\n\n## 概述\n\nAutofeat 通过自动化特征生成和选择，简化了提升线性模型性能的过程。它首先生成大量非线性特征，然后从中选择一小部分稳健且有意义的特征子集，以增强线性模型的预测能力。这种多步骤的方法使您能够在不牺牲准确性的前提下，充分利用线性模型的可解释性。\n\n### 主要特性：\n- **自动化特征生成与选择**：自动为线性模型生成并选择特征，从而提升模型性能。\n- **性能与可解释性的双重提升**：生成的特征能够提高预测精度，同时保持线性模型直观的可解释性。\n- **无缝集成**：完全兼容 `scikit-learn` 的管道，便于轻松集成到现有的机器学习工作流中。\n\n### 使用场景：\n- 非常适合对模型透明度要求较高的**监督学习任务**，以支持决策制定。\n- 适用于大型数据集中的**特征选择**，自动发现重要变量。\n- 在需要发现并利用**非线性特征**但又不想使模型过于复杂的情况下非常有用。\n\n**注意**：该代码仅供研究使用。结果可能因数据集和具体应用场景而异。\n\n## 安装\n\nAutofeat 已发布在 PyPI 上，可通过 `pip` 轻松安装：\n\n```\npip install autofeat\n```\n\n### 其他依赖项\n- numpy\n- pandas\n- scikit-learn\n- sympy\n- joblib\n- pint\n- numba\n\n## 文档与资源\n| 描述 | 链接 |\n|-------------|------|\n| 示例笔记本 | [examples](\u002Fnotebooks\u002F) |\n| 文档 | [documentation](https:\u002F\u002Fcod3licious.github.io\u002Fautofeat) |\n| 论文 | [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1901.07329) |\n| 演讲 | [PyData 演讲](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=4-4pKPv9lJ4) |\n\n如果您在工作中使用了本代码，请考虑引用以下论文：\n```\n@inproceedings{horn2019autofeat,\n  title={The autofeat Python Library for Automated Feature Engineering and Selection},\n  author={Horn, Franziska and Pack, Robert and Rieger, Michael},\n  booktitle={Joint European Conference on Machine Learning and Knowledge Discovery in Databases},\n  pages={111--120},\n  year={2019},\n  organization={Springer}\n}\n```\n\n如有任何问题，请随时发送邮件至 [cod3licious@gmail.com]。当然，如果您发现了任何 bug 或希望贡献其他改进，欢迎提交 Pull Request！\n\n## 致谢\n本项目得益于 [BASF](https:\u002F\u002Fwww.basf.com) 的支持得以实现。","# Autofeat 快速上手指南\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Windows \u002F macOS \u002F Linux\n- Python 版本：3.6 或以上\n\n### 前置依赖\nAutofeat 依赖以下 Python 库，通常会随安装自动引入：\n- numpy\n- pandas\n- scikit-learn\n- sympy\n- joblib\n- pint\n- numba\n\n## 安装步骤\n\n使用 pip 安装 Autofeat，推荐使用国内镜像源以加快下载速度：\n\n```bash\npip install autofeat -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使用示例，展示如何使用 `Autofeat` 对数据进行特征工程并训练一个线性模型：\n\n```python\nfrom autofeat import AutoFeat\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.datasets import make_regression\nfrom sklearn.model_selection import train_test_split\n\n# 生成示例数据\nX, y = make_regression(n_samples=1000, n_features=10, noise=0.1)\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)\n\n# 初始化 AutoFeat\naf = AutoFeat()\n\n# 自动生成和选择特征\nX_train_transformed = af.fit_transform(X_train, y_train)\nX_test_transformed = af.transform(X_test)\n\n# 使用线性回归模型进行训练\nmodel = LinearRegression()\nmodel.fit(X_train_transformed, y_train)\n\n# 评估模型\nscore = model.score(X_test_transformed, y_test)\nprint(f\"模型评分: {score}\")\n```","某化工企业的数据科学家团队正在开发一个预测设备故障的模型，用于优化维护计划。他们使用线性回归模型来分析传感器数据，但发现模型的预测准确率较低，难以满足实际需求。\n\n### 没有 autofeat 时  \n- 手动特征工程耗时且容易遗漏关键非线性关系  \n- 特征选择过程依赖经验，缺乏系统性，导致模型不稳定  \n- 需要大量试错才能找到有效的特征组合，影响项目进度  \n- 线性模型在复杂数据上的表现受限，无法充分发挥数据潜力  \n\n### 使用 autofeat 后  \n- 自动生成丰富的非线性特征，捕捉数据中的隐藏模式  \n- 通过智能筛选保留最具预测力的特征，提升模型稳定性  \n- 快速迭代模型，节省大量手动调优时间  \n- 在保持线性模型可解释性的前提下，显著提高预测精度  \n\nautofeat 通过自动化流程，让数据科学家能够更高效地挖掘数据价值，同时确保模型的透明性和可靠性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcod3licious_autofeat_f1561381.png","cod3licious","franzi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcod3licious_8b7b0162.jpg","PhD in Machine Learning.\r\nExcited to build things with impact.",null,"Leipzig","franziskahorn.de","https:\u002F\u002Fgithub.com\u002Fcod3licious",[23,27],{"name":24,"color":25,"percentage":26},"Python","#3572A5",69.3,{"name":28,"color":29,"percentage":30},"Jupyter Notebook","#DA5B0B",30.7,536,65,"2026-04-02T20:39:59","MIT",1,"Linux, macOS, Windows","未说明",{"notes":39,"python":40,"dependencies":41},"需要安装 PyPI 包，建议使用 pip 安装。依赖库中部分可能需要编译，建议使用 conda 环境以避免兼容性问题。","3.8+",[42,43,44,45,46,47,48],"numpy","pandas","scikit-learn","sympy","joblib","pint","numba",[50,51,52],"其他","数据工具","开发框架",[54,55,56,57,58,59,60,61,62],"machine-learning","machine-learning-models","linear-regression","feature-engineering","feature-selection","automl","automated-machine-learning","automated-feature-engineering","automated-data-science",3,"ready","2026-03-27T02:49:30.150509","2026-04-06T06:45:33.494425",[68,73,78,83,88,93],{"id":69,"question_zh":70,"answer_zh":71,"source_url":72},5221,"AutoFeat 是否支持逻辑回归？","是的，AutoFeat 提供了 `AutoFeatRegressor` 和 `AutoFeatClassifier` 两个模型，分别用于回归和分类任务。请使用 `pip install --upgrade autofeat` 升级到 1.0.0 版本，并使用对应的分类模型。","https:\u002F\u002Fgithub.com\u002Fcod3licious\u002Fautofeat\u002Fissues\u002F5",{"id":74,"question_zh":75,"answer_zh":76,"source_url":77},5222,"如何在 AutoFeat 中获取概率预测？","从版本 2.1.0 开始，AutoFeat 支持 `predict_proba` 方法。您可以通过 `pip install --upgrade autofeat` 安装最新版本并使用该方法。","https:\u002F\u002Fgithub.com\u002Fcod3licious\u002Fautofeat\u002Fissues\u002F37",{"id":79,"question_zh":80,"answer_zh":81,"source_url":82},5223,"如何解决 'Unable to find vcvarsall.bat' 错误？","此错误通常与编译依赖有关。升级到版本 0.2 可以解决此问题。您可以运行 `pip install --upgrade autofeat` 进行升级。","https:\u002F\u002Fgithub.com\u002Fcod3licious\u002Fautofeat\u002Fissues\u002F3",{"id":84,"question_zh":85,"answer_zh":86,"source_url":87},5224,"如何处理 'ValueError: Input X contains NaN' 错误？","建议在训练前移除零方差特征，或确保数据中没有 NaN 值。如果数据中确实存在 NaN，可以尝试在转换阶段仅对非 NaN 数据进行处理。","https:\u002F\u002Fgithub.com\u002Fcod3licious\u002Fautofeat\u002Fissues\u002F40",{"id":89,"question_zh":90,"answer_zh":91,"source_url":92},5225,"如何解决 'ufunc did not contain a loop with signature' 错误？","此错误可能与 NumPy 版本有关。尝试使用 NumPy 1.21.* 版本，或者参考 [此 issue](https:\u002F\u002Fgithub.com\u002Fnumpy\u002Fnumpy\u002Fissues\u002F20735) 查看是否为兼容性问题。","https:\u002F\u002Fgithub.com\u002Fcod3licious\u002Fautofeat\u002Fissues\u002F33",{"id":94,"question_zh":95,"answer_zh":96,"source_url":97},5226,"如何加快 transform() 的执行速度？","对于单行数据，可以尝试将每个特征的变换过程并行化。例如，通过修改代码实现并行处理，以提升性能。","https:\u002F\u002Fgithub.com\u002Fcod3licious\u002Fautofeat\u002Fissues\u002F23",[],[100,110,120,128,136,147],{"id":101,"name":102,"github_repo":103,"description_zh":104,"stars":105,"difficulty_score":63,"last_commit_at":106,"category_tags":107,"status":64},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,"2026-04-05T11:01:52",[52,108,109],"图像","Agent",{"id":111,"name":112,"github_repo":113,"description_zh":114,"stars":115,"difficulty_score":116,"last_commit_at":117,"category_tags":118,"status":64},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",[52,109,119],"语言模型",{"id":121,"name":122,"github_repo":123,"description_zh":124,"stars":125,"difficulty_score":116,"last_commit_at":126,"category_tags":127,"status":64},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",[52,108,109],{"id":129,"name":130,"github_repo":131,"description_zh":132,"stars":133,"difficulty_score":116,"last_commit_at":134,"category_tags":135,"status":64},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",[52,119],{"id":137,"name":138,"github_repo":139,"description_zh":140,"stars":141,"difficulty_score":116,"last_commit_at":142,"category_tags":143,"status":64},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",[108,51,144,145,109,50,119,52,146],"视频","插件","音频",{"id":148,"name":149,"github_repo":150,"description_zh":151,"stars":152,"difficulty_score":63,"last_commit_at":153,"category_tags":154,"status":64},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",[109,108,52,119,50]]