KnownClassificationModels enum

Naivní Bayesův klasifikátor pro vícerozměrné Bernoulliho modely.

Rozhodovací stromy jsou neparametrická metoda učení s učitelem používaná pro klasifikační i regresní úlohy. Cílem je vytvořit model, který předpovídá hodnotu cílové proměnné tím, že se naučí jednoduchá rozhodovací pravidla odvozená z datových funkcí.

Extreme Trees je algoritmus strojového učení, který kombinuje předpovědi z mnoha rozhodovacích stromů. Souvisí to s široce používaným algoritmem náhodného lesa.

Technika přeměny týdenních studentů na silné studenty se nazývá Boosting. Proces algoritmu zvyšování gradientu pracuje na této teorii provádění.

Algoritmus K-nearest neighbors (KNN) používá "podobnost funkcí" k předpovídání hodnot nových datových bodů, což dále znamená, že novému datovému bodu bude přiřazena hodnota na základě toho, jak přesně se shoduje s body v trénovací sadě.

LightGBM je rámec pro zvyšování gradientu, který využívá algoritmy učení založené na stromech.

Podpůrný vektorový stroj (SVM) je model strojového učení pod dohledem, který používá klasifikační algoritmy pro klasifikační problémy se dvěma skupinami. 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.

Logistická regrese je základní klasifikační technikou. 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.

Multinomiální Naivní Bayesův klasifikátor je vhodný pro klasifikaci s diskrétními vlastnostmi (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.

Náhodný les je algoritmus učení pod dohledem. "Les", který buduje, je souborem rozhodovacích stromů, obvykle trénovaných metodou "pytlování". Obecná myšlenka metody balení je, že kombinace modelů učení zvyšuje celkový výsledek.

SGD: Stochastický gradientní sestup je optimalizační algoritmus, který se často používá v aplikacích strojového učení k nalezení parametrů modelu, které nejlépe odpovídají předpokládané a skutečné shodě.

Podpůrný vektorový stroj (SVM) je model strojového učení pod dohledem, který používá klasifikační algoritmy pro klasifikační problémy se dvěma skupinami. Poté, co model SVM poskytne sady označených trénovacích dat pro každou kategorii, mohou nový text kategorizovat.

XGBoost: Algoritmus pro zvýšení extrémního gradientu. Tento algoritmus se používá pro strukturovaná data, kde lze hodnoty cílových sloupců rozdělit na různé hodnoty tříd.