ClassificationModels type

Enum لجميع نماذج التصنيف المدعومة من AutoML.
يمكن استخدام نماذج التصنيف المعروفة بالتبادل مع نماذج التصنيف، حيث يحتوي هذا العدد على القيم المعروفة التي تدعمها الخدمة.

القيم المعروفة التي تدعمها الخدمة

الانحدار اللوجستي: الانحدار اللوجستي هو تقنية تصنيف أساسية. ينتمي إلى مجموعة المصنفين الخطيين ويشبه إلى حد ما الانحدار متعدد الحدود والانحدار الخطي. الانحدار اللوجستي سريع وبسيط نسبيا، ومن السهل عليك تفسير النتائج. على الرغم من أنها في الأساس طريقة للتصنيف الثنائي، إلا أنها يمكن تطبيقها أيضا على مسائل متعددة الفئات.
SGD: SGD: النزول التدرج العشوائي هو خوارزمية تحسين تستخدم غالبا في تطبيقات التعلم الآلي لإيجاد معلمات النموذج التي تتوافق مع أفضل توافق بين المخرجات المتوقعة والفعلية.
MultinomialNaiveBayes: مصنف Naive Bayes متعدد الحدود مناسب للتصنيف بميزات منفصلة (مثل عدد الكلمات لتصنيف النص). عادة ما يتطلب التوزيع متعدد الحدود عدد الميزات الصحيحة. ومع ذلك، في الواقع، قد تعمل أيضا العدات الجزئية مثل tf-idf.
بيرنولي نايفبايز: مصنف بايز ساذج لنماذج برنولي متعددة المتغيرات.
SVM: آلة متجه الدعم (SVM) هي نموذج تعلم آلي خاضع للإشراف يستخدم خوارزميات التصنيف لمشاكل التصنيف ذات المجموعتين. بعد تقديم نماذج SVM لمجموعات بيانات التدريب المعنونة لكل فئة، يمكنهم تصنيف نصوص جديدة.
LinearSVM: آلة متجه الدعم (SVM) هي نموذج تعلم آلي خاضع للإشراف يستخدم خوارزميات التصنيف لمشاكل التصنيف ذات المجموعتين. بعد تقديم نماذج SVM لمجموعات بيانات التدريب المعنونة لكل فئة، يمكنهم تصنيف نصوص جديدة. تعمل SVM الخطية بشكل أفضل عندما تكون بيانات الإدخال خطية، أي يمكن تصنيف البيانات بسهولة عن طريق رسم الخط المستقيم بين القيم المصنفة على رسم بياني مخطم.
KNN: تستخدم خوارزمية K-أقرب الجيران (KNN) 'تشابه الميزات' للتنبؤ بقيم نقاط البيانات الجديدة، مما يعني أيضا أن نقطة البيانات الجديدة ستحصل على قيمة بناء على مدى تطابق النقاط في مجموعة التدريب.
شجرة القرار: أشجار القرار هي طريقة تعلم مراقبة غير معلمية تستخدم لكل من مهام التصنيف والانحدار. الهدف هو إنشاء نموذج يتنبأ بقيمة المتغير المستهدف من خلال تعلم قواعد قرار بسيطة مستخلصة من ميزات البيانات.
RandomForest: Random Forest هو خوارزمية تعلم تحت الإشراف. الغابة التي يبنيها هي مجموعة من أشجار القرار، عادة ما تدرب على طريقة "التكديس". الفكرة العامة لطريقة التغليف هي أن الجمع بين نماذج التعلم يزيد من النتيجة العامة.
ExtremeRandomTrees: Extreme Trees هي خوارزمية تعلم آلي جماعي تجمع بين التنبؤات من العديد من أشجار القرار. يرتبط بخوارزمية الغابات العشوائية المستخدمة على نطاق واسع.
LightGBM: LightGBM هو إطار عمل لتعزيز التدرج يستخدم خوارزميات التعلم القائمة على الشجرة.
تعزيز التدرج: تقنية تحويل المتعلمين خلال الأسبوع إلى متعلمين قويين تسمى التعزيز. تعمل عملية خوارزمية تعزيز التدرج على هذه النظرية في التنفيذ.
XGBoostClassifier: XGBoost: خوارزمية تعزيز التدرج المتطرف. تستخدم هذه الخوارزمية للبيانات المهيكلة حيث يمكن تقسيم قيم الأعمدة المستهدفة إلى قيم فئات منفصلة.