KnownRegressionModels enum

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 elasztikus háló a regularizált lineáris regresszió népszerű típusa, amely két népszerű büntetést kombinál, különösen az L1 és L2 büntetési függvényeket.

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.

Lasszó modell illeszkedik a legkisebb szög regresszióval, más néven Lars. Ez egy lineáris modell, amelyet egy L1 előzővel képeztek ki regularizálóként.

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

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. Ez egy pontatlan, de hatékony technika.

XGBoostRegressor: Az Extreme Gradient Boosting Regressor egy felügyelt gépi tanulási modell, amely alaptanulók együttesét használja.