KnownClassificationModels enum

Naiv Bayes osztályozó többváltozós Bernoulli modellekhez.

A döntési fák egy nem paraméteres felügyelt tanulási módszer, amelyet osztályozási és regressziós feladatokhoz egyaránt használnak. A cél egy olyan modell létrehozása, amely előrejelzi egy célváltozó értékét az adatfunkciókból kikövetkeztetett egyszerű döntési szabályok elsajátításával.

Az Extreme Trees egy együttes gépi tanulási algoritmus, amely számos döntési fa előrejelzéseit egyesíti. Ez a széles körben használt véletlenszerű erdő algoritmushoz kapcsolódik.

Azt a technikát, amely a heti tanulókat erős tanulóvá alakítja, Boostingnak nevezzük. A gradiensnövelő algoritmus folyamata ezen a végrehajtási elméleten működik.

A K-legközelebbi szomszédok (KNN) algoritmus a "jellemző hasonlóságot" használja az új adatpontok értékeinek előrejelzésére, ami azt is jelenti, hogy az új adatponthoz egy érték lesz hozzárendelve annak alapján, hogy mennyire egyezik meg a betanítási készlet pontjaival.

A LightGBM egy színátmenet-növelő keretrendszer, amely fa alapú tanulási algoritmusokat használ.

A támogatási vektorgép (SVM) egy felügyelt gépi tanulási modell, amely besorolási algoritmusokat használ kétcsoportos besorolási problémákhoz. Miután megadta az SVM-modellnek az egyes kategóriákhoz tartozó címkézett betanítási adatok készleteit, kategorizálhatják az új szöveget. A lineáris SVM akkor teljesít a legjobban, ha a bemeneti adatok lineárisak, azaz az adatok könnyen osztályozhatók a besorolt értékek közötti egyenes vonal meghúzásával egy ábrázolt grafikonon.

A logisztikai regresszió alapvető osztályozási technika. A lineáris osztályozók csoportjába tartozik, és némileg hasonlít a polinomiális és lineáris regresszióhoz. A logisztikai regresszió gyors és viszonylag egyszerű, és kényelmesen értelmezheti az eredményeket. Bár ez lényegében a bináris osztályozás módszere, többosztályos problémákra is alkalmazható.

A multinomiális Naiv Bayes osztályozó alkalmas diszkrét jellemzőkkel történő osztályozásra (pl. szószám a szövegosztályozáshoz). A multinomiális eloszlás általában egész funkciószámot igényel. A gyakorlatban azonban a töredékszámlálók, például a tf-idf is működhetnek.

A véletlenszerű erdő egy felügyelt tanulási algoritmus. Az általa épített "erdő" döntési fák együttese, amelyeket általában a "zsákolás" módszerrel képeznek ki. A zsákolási módszer általános elképzelése az, hogy a tanulási modellek kombinációja növeli az összeredményt.

SGD: A sztochasztikus gradiens süllyedés egy optimalizálási algoritmus, amelyet gyakran használnak a gépi tanulási alkalmazásokban az előrejelzett és a tényleges kimenetek közötti legjobban illeszkedő modellparaméterek megtalálására.

A támogatási vektorgép (SVM) egy felügyelt gépi tanulási modell, amely besorolási algoritmusokat használ kétcsoportos besorolási problémákhoz. Miután megadta az SVM-modellnek az egyes kategóriákhoz tartozó címkézett betanítási adatok készleteit, kategorizálhatják az új szöveget.

XGBoost: Extrém gradiens növelő algoritmus. Ez az algoritmus strukturált adatokhoz használatos, ahol a céloszlopok értékei különböző osztályértékekre oszthatók.