RegressionModels type

Felsorolás az AutoML által támogatott összes regressziós modellhez.
A KnownRegressionModels felcserélhetően használható a RegressionModels-szel, ez az enum tartalmazza azokat az ismert értékeket, amelyeket a szolgáltatás támogat.

A szolgáltatás által támogatott ismert értékek

ElasticNet: Az elasztikus háló egy népszerű szabályosított lineáris regressziói típus, amely két népszerű büntetést ötvöz, különösen az L1 és L2 büntetési függvényeket.
GradientBoosting: Az a módszer, amellyel a heti tanulókat erős tanulóvá alakítják, az úgynevezett Boosting. A gradiensnövelő algoritmus folyamata ezen a végrehajtási elméleten működik.
DecisionTree: A döntésfák 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.
KNN: A K-legközelebbi szomszédok (KNN) algoritmus "jellemző hasonlóságot" használ az új adatpontok értékeinek előrejelzésére, ami azt is jelenti, hogy az új adatpont értéket kap annak alapján, hogy mennyire egyezik a tanítási halmaz pontjaival.
LassoLars: Lasso modell illeszkedés legkisebb szögű regresszióval, más néven Lars. Ez egy lineáris modell, amelyet egy L1 előzővel képeztek ki regularizálóként.
SGD: SGD: A sztochasztikus gradiens leszállás egy optimalizálási algoritmus, amelyet gyakran használnak gépi tanulási alkalmazásokban, hogy megtalálják azokat a modellparamétereket, amelyek a legjobban illeszkednek a jósolt és tényleges kimenetek között. Ez egy pontatlan, de hatékony technika.
RandomForest: A véletlen 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.
Az ExtremeRandomTrees: Az Extreme Trees egy ensemble gépi tanulási algoritmus, amely sok döntésfa előrejelzéseit egyesíti. Ez a széles körben használt véletlenszerű erdő algoritmushoz kapcsolódik.
LightGBM: A LightGBM egy gradiens boosting keretrendszer, amely faalapú tanulási algoritmusokat használ.
XGBoostRegressor: XGBoostRegressor: Extrém gradiens fokozó regressor egy felügyelt gépi tanulási modell, amely alap tanulókból áll.