ClassificationModels type

Enumeration für alle Klassifizierungsmodelle, die von AutoML unterstützt werden.
KnownClassificationModels können austauschbar mit ClassificationModels verwendet werden; dieses Enum enthält die bekannten Werte, die der Dienst unterstützt.

Bekannte Werte, die vom Dienst unterstützt werden

Logistische Regression: Logistische Regression ist eine grundlegende Klassifikationstechnik. Sie gehört zur Gruppe der linearen Klassifikatoren und ähnelt in gewisser Weise der polynomialen und linearen Regression. Die logistische Regression ist schnell und relativ unkompliziert, und es ist bequem für Sie, die Ergebnisse zu interpretieren. Obwohl es sich im Wesentlichen um eine Methode zur binären Klassifizierung handelt, kann sie auch auf Probleme mit mehreren Klassen angewendet werden.
SGD: SGD: Stochastischer Gradientenabstieg ist ein Optimierungsalgorithmus, der häufig in Machine-Learning-Anwendungen verwendet wird, um die Modellparameter zu finden, die der besten Passung zwischen vorhergesagten und tatsächlichen Ausgaben entsprechen.
MultinomialNaiveBayes: Der multinomiale Naive Bayes-Klassifikator eignet sich für die Klassifikation mit diskreten Merkmalen (z. B. Wortanzahl für Textklassifikation). Die multinomiale Verteilung erfordert normalerweise die Anzahl ganzzahliger Features. In der Praxis können jedoch auch fraktionale Zählungen wie tf-idf funktionieren.
BernoulliNaiveBayes: Naiver Bayes-Klassifikator für multivariate Bernoulli-Modelle.
SVM: Eine Support Vector Machine (SVM) ist ein überwachtes maschinelles Lernmodell, das Klassifikationsalgorithmen für Zwei-Gruppen-Klassifikationsprobleme verwendet. Nachdem sie einem SVM-Modell Sätze von beschrifteten Trainingsdaten für jede Kategorie gegeben haben, sind sie in der Lage, neuen Text zu kategorisieren.
LinearSVM: Eine Support Vector Machine (SVM) ist ein überwachtes maschinelles Lernmodell, das Klassifikationsalgorithmen für Zwei-Gruppen-Klassifikationsprobleme verwendet. Nachdem sie einem SVM-Modell Sätze von beschrifteten Trainingsdaten für jede Kategorie gegeben haben, sind sie in der Lage, neuen Text zu kategorisieren. Lineare SVM funktioniert am besten, wenn die Eingabedaten linear sind, d. h. Daten können leicht klassifiziert werden, indem die gerade Linie zwischen den klassifizierten Werten in einem gezeichneten Diagramm gezeichnet wird.
KNN: Der K-Nearest neighbors (KNN) Algorithmus verwendet 'Merkmalsähnlichkeit', um die Werte neuer Datenpunkte vorherzusagen, was außerdem bedeutet, dass dem neuen Datenpunkt ein Wert zugewiesen wird, basierend darauf, wie nah er den Punkten im Trainingssatz entspricht.
DecisionTree: Decision Trees sind eine nichtparametrische überwachte Lernmethode, die sowohl für Klassifikations- als auch für Regressionsaufgaben verwendet wird. Ziel ist es, ein Modell zu erstellen, das den Wert einer Zielvariablen vorhersagt, indem einfache Entscheidungsregeln gelernt werden, die aus den Datenmerkmalen abgeleitet werden.
RandomForest: Random Forest ist ein überwachter Lernalgorithmus. Der "Wald", den es aufbaut, ist ein Ensemble von Entscheidungsbäumen, die normalerweise mit der "Bagging"-Methode trainiert werden. Die Grundidee der Bagging-Methode ist, dass eine Kombination von Lernmodellen das Gesamtergebnis erhöht.
ExtremeRandomTrees: Extreme Trees ist ein Ensemble-Machine-Learning-Algorithmus, der die Vorhersagen vieler Entscheidungsbäume kombiniert. Es hängt mit dem weit verbreiteten Random-Forest-Algorithmus zusammen.
LightGBM: LightGBM ist ein Gradient-Boosting-Framework, das baumbasierte Lernalgorithmen verwendet.
GradientBoosting: Die Technik, Wochenlernende in einen starken Lernenden zu überführen, heißt Boosting. Der Prozess des Gradientenverstärkungsalgorithmus arbeitet mit dieser Ausführungstheorie.
XGBoostClassifier: XGBoost: Extremgradient Boosting-Algorithmus. Dieser Algorithmus wird für strukturierte Daten verwendet, bei denen die Werte der Zielspalten in unterschiedliche Klassenwerte unterteilt werden können.