RegressionModels type

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

Valeurs connues prises en charge par le service

ElasticNet : Le filet élastique est un type populaire de régression linéaire régularisée qui combine deux pénalités populaires, spécifiquement les fonctions de pénalité L1 et L2.
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.
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.
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.
LassoLars : Ajustement du modèle lasso avec la régression de l’angle minimum, alias Lars. Il s’agit d’un modèle linéaire entraîné avec un a priori L1 comme régulariseur.
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. C’est une technique inexacte mais puissante.
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.
XGBoostRegressor : XGBoostRegressor : Extreme Gradient Boosting Regressor est un modèle d’apprentissage automatique supervisé utilisant un ensemble d’apprenants de base.