ClassificationModels type

Enum untuk semua model klasifikasi yang didukung oleh AutoML.
KnownClassificationModels dapat digunakan secara bergantian dengan ClassificationModels, enum ini berisi nilai yang diketahui yang didukung layanan.

Nilai yang diketahui didukung oleh layanan

Regresi Logistik: Regresi logistik adalah teknik klasifikasi dasar. Ini termasuk dalam kelompok pengklasifikasi linier dan agak mirip dengan regresi polinomial dan linier. Regresi logistik cepat dan relatif tidak rumit, dan akan lebih mudah bagi Anda untuk menafsirkan hasilnya. Meskipun pada dasarnya adalah metode untuk klasifikasi biner, ini juga dapat diterapkan pada masalah multikelas.
SGD: SGD: Stochastic gradient descent adalah algoritme pengoptimalan yang sering digunakan dalam aplikasi pembelajaran mesin untuk menemukan parameter model yang sesuai dengan kecocokan terbaik antara output yang diprediksi dan aktual.
MultinomialNaiveBayes: Pengklasifikasi Multinomial Naive Bayes cocok untuk klasifikasi dengan fitur diskrit (misalnya, jumlah kata untuk klasifikasi teks). Distribusi multinomial biasanya membutuhkan jumlah fitur bilangan bulat. Namun, dalam praktiknya, hitungan fraksional seperti tf-idf juga dapat berfungsi.
BernoulliNaiveBayes: Pengklasifikasi Bayes naif untuk model Bernoulli multivariat.
SVM: Mesin vektor pendukung (SVM) adalah model pembelajaran mesin yang diawasi yang menggunakan algoritme klasifikasi untuk masalah klasifikasi dua kelompok. Setelah memberikan set model SVM dari data pelatihan berlabel untuk setiap kategori, mereka dapat mengkategorikan teks baru.
LinearSVM: Mesin vektor pendukung (SVM) adalah model pembelajaran mesin yang diawasi yang menggunakan algoritme klasifikasi untuk masalah klasifikasi dua kelompok. Setelah memberikan set model SVM dari data pelatihan berlabel untuk setiap kategori, mereka dapat mengkategorikan teks baru. SVM linier berkinerja terbaik ketika data input bersifat linier, yaitu, data dapat dengan mudah diklasifikasikan dengan menggambar garis lurus antara nilai yang diklasifikasikan pada grafik yang diplot.
KNN: Algoritma K-nearest neighbors (KNN) menggunakan 'kesamaan fitur' untuk memprediksi nilai titik data baru yang selanjutnya berarti bahwa titik data baru akan diberi nilai berdasarkan seberapa dekat kecocokannya dengan poin dalam set pelatihan.
Pohon Keputusan: Pohon Keputusan adalah metode pembelajaran yang diawasi non-parametrik yang digunakan untuk tugas klasifikasi dan regresi. Tujuannya adalah untuk membuat model yang memprediksi nilai variabel target dengan mempelajari aturan keputusan sederhana yang disimpulkan dari fitur data.
RandomForest: Random forest adalah algoritme pembelajaran yang diawasi. "Hutan" yang dibangunnya, adalah ansambel pohon keputusan, biasanya dilatih dengan metode "mengantongi". Ide umum dari metode pengantongan adalah bahwa kombinasi model pembelajaran meningkatkan hasil keseluruhan.
ExtremeRandomTrees: Extreme Trees adalah algoritme pembelajaran mesin ansambel yang menggabungkan prediksi dari banyak pohon keputusan. Ini terkait dengan algoritma hutan acak yang banyak digunakan.
LightGBM: LightGBM adalah kerangka kerja penambah gradien yang menggunakan algoritme pembelajaran berbasis pohon.
GradientBoosting: Teknik mengalihkan pelajar minggu menjadi pembelajar yang kuat disebut Boosting. Proses algoritma peningkatan gradien bekerja pada teori eksekusi ini.
XGBoostClassifier: XGBoost: Algoritma Peningkatan Gradien Ekstrim. Algoritme ini digunakan untuk data terstruktur di mana nilai kolom target dapat dibagi menjadi nilai kelas yang berbeda.