KnownRegressionModels enum
Enumeration für alle Regressionsmodelle, die von AutoML unterstützt werden.
Felder
| DecisionTree | 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. |
| ElasticNet | Elastic Net ist eine beliebte Art der regularisierten linearen Regression, die zwei beliebte Strafen kombiniert, insbesondere die Straffunktionen L1 und L2. |
| ExtremeRandomTrees | 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. |
| GradientBoosting | Die Technik, Wochenlernende in einen starken Lernenden zu überführen, wird als Boosting bezeichnet. Der Prozess des Gradientenverstärkungsalgorithmus arbeitet mit dieser Ausführungstheorie. |
| KNN | 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. |
| LassoLars | Lasso-Modellanpassung mit Least-Angle-Regression a.k.a. Lars. Es handelt sich um ein lineares Modell, das mit einem L1-Prior als Regularisierer trainiert wurde. |
| LightGBM | LightGBM ist ein Gradient Boosting-Framework, das baumbasierte Lernalgorithmen verwendet. |
| 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. |
| SGD | 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. Es ist eine ungenaue, aber mächtige Technik. |
| XGBoostRegressor | XGBoostRegressor: Extreme Gradient Boosting Regressor ist ein überwachtes maschinelles Lernmodell, das ein Ensemble von Basislernern verwendet. |
