ClassificationModels type

Enumeración para todos los modelos de clasificación compatibles con AutoML.
KnownClassificationModels puede usarse indistintamente con ClassificationModels, este enum contiene los valores conocidos que soporta el servicio.

Valores conocidos admitidos por el servicio

Regresión logística: La regresión logística es una técnica fundamental de clasificación. Pertenece al grupo de clasificadores lineales y es algo similar a la regresión polinómica y lineal. La regresión logística es rápida y relativamente sencilla, y es conveniente para usted interpretar los resultados. Aunque es esencialmente un método para la clasificación binaria, también se puede aplicar a problemas multiclase.
SGD: SGD: El descenso de gradiente estocástico es un algoritmo de optimización utilizado a menudo en aplicaciones de aprendizaje automático para encontrar los parámetros del modelo que corresponden al mejor ajuste entre las salidas predichas y las reales.
MultinomialNaiveBayes: El clasificador multinomial Naive Bayes es adecuado para clasificar con características discretas (por ejemplo, conteos de palabras para la clasificación de texto). La distribución multinomial normalmente requiere recuentos de características enteras. Sin embargo, en la práctica, los recuentos fraccionarios como tf-idf también pueden funcionar.
BernoulliNaiveBayes: Clasificador Naive Bayes para modelos de Bernoulli multivariante.
SVM: Una máquina de vectores de soporte (SVM) es un modelo de aprendizaje automático supervisado que utiliza algoritmos de clasificación para problemas de clasificación de dos grupos. Después de proporcionar a un modelo SVM conjuntos de datos de entrenamiento etiquetados para cada categoría, pueden categorizar el texto nuevo.
SVM lineal: Una máquina de vectores de soporte (SVM) es un modelo de aprendizaje automático supervisado que utiliza algoritmos de clasificación para problemas de clasificación de dos grupos. Después de proporcionar a un modelo SVM conjuntos de datos de entrenamiento etiquetados para cada categoría, pueden categorizar el texto nuevo. La SVM lineal funciona mejor cuando los datos de entrada son lineales, es decir, los datos se pueden clasificar fácilmente dibujando la línea recta entre los valores clasificados en un gráfico trazado.
KNN: El algoritmo de K-vecinos más cercanos (KNN) utiliza la 'similitud de características' para predecir los valores de nuevos puntos de datos, lo que además significa que al nuevo punto se le asignará un valor basado en lo cerca que coincide con los puntos del conjunto de entrenamiento.
Árbol de Decisión: Los árboles de decisión son un método de aprendizaje supervisado no paramétrico utilizado tanto para tareas de clasificación como de regresión. El objetivo es crear un modelo que prediga el valor de una variable objetivo mediante el aprendizaje de reglas de decisión simples inferidas a partir de las características de datos.
RandomForest: El Random Forest es un algoritmo de aprendizaje supervisado. El "bosque" que construye, es un conjunto de árboles de decisión, generalmente entrenados con el método de "embolsado". La idea general del método de embolsado es que una combinación de modelos de aprendizaje aumenta el resultado general.
ExtremeRandomTrees: Extreme Trees es un algoritmo de aprendizaje automático conjunto que combina las predicciones de muchos árboles de decisión. Está relacionado con el algoritmo de bosque aleatorio ampliamente utilizado.
LightGBM: LightGBM es un framework de aumento de gradiente que utiliza algoritmos de aprendizaje basados en árboles.
GradientBoosting: La técnica de convertir a los alumnos de la semana en un aprendiz fuerte se llama Boosting. El proceso del algoritmo de aumento de gradiente funciona con esta teoría de ejecución.
XGBoostClasificador: XGBoost: Algoritmo de Aumento de Gradiente Extremo. Este algoritmo se usa para datos estructurados donde los valores de columna de destino se pueden dividir en valores de clase distintos.