KnownClassificationModels enum

Classificateur naïf de Bayes pour les modèles de Bernoulli multivariés.

Les arbres de décision sont une méthode d’apprentissage supervisé non paramétrique utilisée 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.

Extreme Trees est un algorithme d’apprentissage automatique d’ensemble qui combine les prédictions de nombreux arbres de décision. Il est lié à l’algorithme de forêt aléatoire largement utilisé.

La technique de transformation des 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.

L’algorithme KNN (K-nearest neighbors) utilise la « similarité des caractéristiques » pour prédire les valeurs des nouveaux points de données, ce qui signifie en outre que le nouveau point de données se verra attribuer une valeur en fonction de sa correspondance avec les points de l’ensemble d’apprentissage.

LightGBM est un framework de boosting de gradient qui utilise des algorithmes d’apprentissage basés sur des arbres.

Une machine à vecteur de support (SVM) est un modèle d’apprentissage automatique supervisé qui utilise des algorithmes de classification pour les 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.

La régression logistique est une technique de classification fondamentale. 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.

Le classificateur naïf bayésien multinomial est adapté 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.

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.

SGD : La descente de gradient stochastique est un algorithme d’optimisation souvent utilisé dans les applications d’apprentissage automatique pour trouver les paramètres du modèle qui correspondent au meilleur ajustement entre les sorties prévues et réelles.

Une machine à vecteur de support (SVM) est un modèle d’apprentissage automatique supervisé qui utilise des algorithmes de classification pour les 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.

XGBoost : Algorithme de boosting de gradient extrême. Cet algorithme est utilisé pour les données structurées où les valeurs de colonne cible peuvent être divisées en valeurs de classe distinctes.