KnownRegressionModels enum

Decision Tree 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.

Jaring elastis adalah jenis regresi linier teratur populer yang menggabungkan dua penalti populer, khususnya fungsi penalti L1 dan L2.

Extreme Trees adalah algoritme pembelajaran mesin ansambel yang menggabungkan prediksi dari banyak pohon keputusan. Ini terkait dengan algoritma hutan acak yang banyak digunakan.

Teknik mengalihkan pelajar minggu menjadi pembelajar yang kuat disebut Boosting. Proses algoritma peningkatan gradien bekerja pada teori eksekusi ini.

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 titik tersebut cocok dengan poin dalam set pelatihan.

Model laso cocok dengan Regresi Sudut Terkecil alias Lars. Ini adalah Model Linear yang dilatih dengan L1 sebelumnya sebagai regularizer.

LightGBM adalah kerangka kerja penambah gradien yang menggunakan algoritma pembelajaran berbasis pohon.

Random forest adalah algoritma 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.

SGD: Stochastic gradient descent adalah algoritme pengoptimalan yang sering digunakan dalam aplikasi pembelajaran mesin untuk menemukan parameter model yang sesuai dengan kecocokan antara output yang diprediksi dan aktual. Ini adalah teknik yang tidak tepat tetapi kuat.

XGBoostRegressor: Extreme Gradient Boosting Regressor adalah model pembelajaran mesin yang diawasi menggunakan ansambel pelajar dasar.