KnownClassificationModels enum

Naiver Bayes-Klassifikator für multivariate Bernoulli-Modelle.

Entscheidungsbäume sind eine nicht-parametrische überwachte Lernmethode, die sowohl für Klassifizierungs- 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.

Extreme Trees ist ein Ensemble-Algorithmus für maschinelles Lernen, der die Vorhersagen aus vielen Entscheidungsbäumen kombiniert. Es hängt mit dem weit verbreiteten Random-Forest-Algorithmus zusammen.

Die Technik, Wochenlernende in einen starken Lernenden zu überführen, wird als Boosting bezeichnet. Der Prozess des Gradientenverstärkungsalgorithmus arbeitet mit dieser Ausführungstheorie.

Der K-Nearest-Neighbors-Algorithmus (KNN) verwendet "Merkmalsähnlichkeit", um die Werte neuer Datenpunkte vorherzusagen, was weiter bedeutet, dass dem neuen Datenpunkt ein Wert zugewiesen wird, der darauf basiert, wie genau er mit den Punkten im Trainingssatz übereinstimmt.

LightGBM ist ein Gradient Boosting-Framework, das baumbasierte Lernalgorithmen verwendet.

Eine Support Vector Machine (SVM) ist ein überwachtes maschinelles Lernmodell, das Klassifizierungsalgorithmen für Zwei-Gruppen-Klassifizierungsprobleme 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.

Die logistische Regression ist eine grundlegende Klassifizierungstechnik. 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.

Der multinomiale Naive Bayes-Klassifikator eignet sich für die Klassifizierung mit diskreten Merkmalen (z. B. Wortzahlen für die Textklassifikation). Die multinomiale Verteilung erfordert normalerweise die Anzahl ganzzahliger Features. In der Praxis können jedoch auch fraktionale Zählungen wie tf-idf funktionieren.

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.

SGD: Der stochastische Gradientenabstieg ist ein Optimierungsalgorithmus, der häufig in Anwendungen des maschinellen Lernens verwendet wird, um die Modellparameter zu finden, die der besten Anpassung zwischen vorhergesagten und tatsächlichen Ergebnissen entsprechen.

Eine Support Vector Machine (SVM) ist ein überwachtes maschinelles Lernmodell, das Klassifizierungsalgorithmen für Zwei-Gruppen-Klassifizierungsprobleme verwendet. Nachdem sie einem SVM-Modell Sätze von beschrifteten Trainingsdaten für jede Kategorie gegeben haben, sind sie in der Lage, neuen Text zu kategorisieren.

XGBoost: Extremer Gradienten-Boosting-Algorithmus. Dieser Algorithmus wird für strukturierte Daten verwendet, bei denen die Werte der Zielspalten in unterschiedliche Klassenwerte unterteilt werden können.