ClassificationModels type

Enumération pour tous les modèles de classification pris en charge par AutoML.
KnownClassificationModels peut être utilisé de manière interchangeable avec ClassificationModels, cet enum contenant les valeurs connues que le service supporte.

Valeurs connues prises en charge par le service

Régression logistique : La régression logistique est une technique fondamentale de classification. Il appartient au groupe des classificateurs linéaires et est quelque peu similaire à la régression polynomiale et linéaire. La régression logistique est rapide et relativement simple, et il est pratique pour vous d’interpréter les résultats. Bien qu’il s’agisse essentiellement d’une méthode de classification binaire, elle peut également être appliquée à des problèmes multiclasses.
SGD : SGD : La descente du gradient stochastique est un algorithme d’optimisation souvent utilisé dans les applications d’apprentissage automatique pour trouver les paramètres du modèle correspondant au meilleur ajustement entre les sorties prédites et réelles.
MultinomialNaiveBayes : Le classificateur multinomial Naive Bayes convient à la classification avec des caractéristiques discrètes (par exemple, le nombre de mots pour la classification de texte). La distribution multinomiale nécessite normalement un nombre de caractéristiques entières. Cependant, en pratique, les comptages fractionnaires tels que tf-idf peuvent également fonctionner.
BernoulliNaiveBayes : Classificateur Naive Bayes pour modèles Bernoulli multivariés.
SVM : Une machine à vecteurs de support (SVM) est un modèle d’apprentissage automatique supervisé qui utilise des algorithmes de classification pour des problèmes de classification à deux groupes. Après avoir fourni à un modèle SVM des ensembles de données d’entraînement étiquetées pour chaque catégorie, ils sont en mesure de catégoriser le nouveau texte.
LinearSVM : Une machine à vecteurs de support (SVM) est un modèle d’apprentissage automatique supervisé qui utilise des algorithmes de classification pour des problèmes de classification à deux groupes. Après avoir fourni à un modèle SVM des ensembles de données d’entraînement étiquetées pour chaque catégorie, ils sont en mesure de catégoriser le nouveau texte. La SVM linéaire fonctionne mieux lorsque les données d’entrée sont linéaires, c’est-à-dire que les données peuvent être facilement classifiées en traçant la ligne droite entre les valeurs classifiées sur un graphique tracé.
KNN : L’algorithme K-plus proches voisins (KNN) utilise la « similarité des caractéristiques » pour prédire les valeurs de nouveaux points de données, ce qui signifie en outre que le nouveau point de données se verra attribuer une valeur basée sur la proximité avec les points de l’ensemble d’entraînement.
Arbre de décision : Les arbres de décision sont une méthode d’apprentissage supervisé non paramétrique utilisée à la fois pour les tâches de classification et de régression. L’objectif est de créer un modèle qui prédit la valeur d’une variable cible en apprenant des règles de décision simples déduites des caractéristiques de données.
RandomForest : La forêt aléatoire est un algorithme d’apprentissage supervisé. La « forêt » qu’il construit est un ensemble d’arbres de décision, généralement entraînés avec la méthode du « bagging ». L’idée générale de la méthode d’ensachage est qu’une combinaison de modèles d’apprentissage augmente le résultat global.
ExtremeRandomTrees : Extreme Trees est un algorithme d’apprentissage automatique en ensemble qui combine les prédictions issues de nombreux arbres de décision. Il est lié à l’algorithme de forêt aléatoire largement utilisé.
LightGBM : LightGBM est un framework de renforcement des gradients qui utilise des algorithmes d’apprentissage basés sur des arbres.
GradientBoost : La technique consistant à transformer les apprenants de la semaine en un apprenant fort s’appelle le Boosting. Le processus de l’algorithme de boosting de gradient fonctionne sur cette théorie de l’exécution.
XGBoostClassificateur : XGBoost : Algorithme d’augmentation extrême du gradient. Cet algorithme est utilisé pour les données structurées où les valeurs de colonne cible peuvent être divisées en valeurs de classe distinctes.