ClassificationModels type

Výčet pro všechny klasifikační modely podporované AutoML.
KnownClassificationModely lze používat zaměnitelně s ClassificationModels, tento enum obsahuje známé hodnoty, které služba podporuje.

Známé hodnoty podporované službou

Logistická regrese: Logistická regrese je základní klasifikační technika. Patří do skupiny lineárních klasifikátorů a je poněkud podobný polynomiální a lineární regresi. Logistická regrese je rychlá a relativně nekomplikovaná a je pro vás pohodlná k interpretaci výsledků. Ačkoli je to v podstatě metoda pro binární klasifikaci, může být také aplikována na vícetřídové problémy.
SGD: SGD: Stochastický gradientní sestup je optimalizační algoritmus často používaný v aplikacích strojového učení k nalezení parametrů modelu, které odpovídají nejlepšímu shodování mezi předpovězenými a skutečnými výstupy.
MultinomiálNaiveBayes: Multinomální Naivní Bayesův klasifikátor je vhodný pro klasifikaci s diskrétními rysy (např. počet slov pro klasifikaci textu). Multinomiální rozdělení obvykle vyžaduje počítání celočíselných příznaků. V praxi však mohou fungovat i zlomkové počty, jako je tf-idf.
BernoulliNaiveBayes: Naivní Bayesův klasifikátor pro multivariační Bernoulliho modely.
SVM: Support vector machine machine a assistant recognition algoritmy používající algoritmy pro dvě skupiny. Poté, co model SVM poskytne sady označených trénovacích dat pro každou kategorii, mohou nový text kategorizovat.
LinearSVM: Support vector machine (SVM) je řízený model strojového učení, který využívá klasifikační algoritmy pro dvouskupinové klasifikační problémy. Poté, co model SVM poskytne sady označených trénovacích dat pro každou kategorii, mohou nový text kategorizovat. Lineární SVM funguje nejlépe, když jsou vstupní data lineární, tj. data lze snadno klasifikovat nakreslením rovné čáry mezi klasifikovanými hodnotami do vykresleného grafu.
KNN: Algoritmus K-nejbližších sousedů (KNN) používá "podobnost vlastností" k predikci hodnot nových datových bodů, což dále znamená, že novému datovému bodu bude přiřazena hodnota na základě toho, jak přesně odpovídá bodům v trénovací množině.
DecisionTree: Decision Trees jsou neparametrická metoda řízeného učení používaná jak pro klasifikační, tak pro regresní úkoly. Cílem je vytvořit model, který předpovídá hodnotu cílové proměnné tím, že se naučí jednoduchá rozhodovací pravidla odvozená z datových funkcí.
RandomForest: Random forest je algoritmus s řízeným učením. "Les", který buduje, je souborem rozhodovacích stromů, obvykle trénovaných metodou "pytlování". Obecná myšlenka metody balení je, že kombinace modelů učení zvyšuje celkový výsledek.
ExtremeRandomTrees: Extreme Trees je algoritmus strojového učení zaměřený na soubor, který kombinuje predikce z mnoha rozhodovacích stromů. Souvisí to s široce používaným algoritmem náhodného lesa.
LightGBM: LightGBM je rámec pro zvyšování gradientu, který využívá algoritmy učení založené na stromech.
GradientBoosting: Technika převedení žáků z týdne na silného žáka se nazývá Boosting. Proces algoritmu zvyšování gradientu pracuje na této teorii provádění.
XGBoostClassifier: XGBoost: Algoritmus pro zvýšení extrémního gradientu. Tento algoritmus se používá pro strukturovaná data, kde lze hodnoty cílových sloupců rozdělit na různé hodnoty tříd.