ClassificationModels type

Enum per tutti i modelli di classificazione supportati da AutoML.
KnownClassificationModels può essere usato in modo intercambiabile con ClassificationModels, questo enum contiene i valori noti supportati dal servizio.

Valori noti supportati dal servizio

Regressione Logistica: La regressione logistica è una tecnica fondamentale di classificazione. Appartiene al gruppo dei classificatori lineari ed è in qualche modo simile alla regressione polinomiale e lineare. La regressione logistica è rapida e relativamente semplice ed è conveniente per te interpretare i risultati. Sebbene sia essenzialmente un metodo per la classificazione binaria, può essere applicato anche a problemi multiclasse.
SGD: SGD: La discesa del gradiente stocastico è un algoritmo di ottimizzazione spesso utilizzato in applicazioni di apprendimento automatico per trovare i parametri del modello che corrispondono al miglior adattamento tra output previsti e risultati reali.
MultinomialNaiveBayes: Il classificatore multinomiale Naive Bayes è adatto per la classificazione con caratteristiche discrete (ad esempio, conteggi di parole per la classificazione del testo). La distribuzione multinomiale richiede normalmente il conteggio delle funzionalità intere. Tuttavia, in pratica, anche i conteggi frazionari come tf-idf possono funzionare.
BernoulliNaiveBayes: classificatore Naive Bayes per modelli Bernoulli multivariati.
SVM: Una macchina a vettori di supporto (SVM) è un modello di apprendimento automatico supervisionato che utilizza algoritmi di classificazione per problemi di classificazione a due gruppi. Dopo aver fornito a un modello SVM set di dati di training etichettati per ogni categoria, sono in grado di classificare il nuovo testo.
SVM lineare: Una macchina a vettori di supporto (SVM) è un modello di apprendimento automatico supervisionato che utilizza algoritmi di classificazione per problemi di classificazione a due gruppi. Dopo aver fornito a un modello SVM set di dati di training etichettati per ogni categoria, sono in grado di classificare il nuovo testo. La SVM lineare offre prestazioni migliori quando i dati di input sono lineari, ovvero i dati possono essere facilmente classificati tracciando la linea retta tra i valori classificati su un grafico tracciato.
KNN: L'algoritmo K-nearest neighbors (KNN) utilizza la 'feature similarity' per prevedere i valori dei nuovi punti dati, il che significa inoltre che al nuovo data point verrà assegnato un valore basato su quanto corrisponda ai punti dell'insieme di addestramento.
DecisionTree: Gli alberi decisionali sono un metodo di apprendimento supervisionato non parametrico utilizzato sia per compiti di classificazione che di regressione. L'obiettivo è creare un modello che preveda il valore di una variabile target apprendendo semplici regole decisionali dedotte dalle funzionalità dei dati.
RandomForest: Random forest è un algoritmo di apprendimento supervisionato. La "foresta" che costruisce, è un insieme di alberi decisionali, solitamente addestrati con il metodo del "bagging". L'idea generale del metodo di insaccamento è che una combinazione di modelli di apprendimento aumenta il risultato complessivo.
ExtremeRandomTrees: Extreme Trees è un algoritmo di machine learning in ensemble che combina le previsioni di molti alberi decisionali. È correlato all'algoritmo della foresta casuale ampiamente utilizzato.
LightGBM: LightGBM è un framework di gradient boosting che utilizza algoritmi di apprendimento basati su alberi.
GradientBoosting: La tecnica di trasformare gli studenti settimanali in un apprendente forte si chiama Boosting. Il processo dell'algoritmo di potenziamento del gradiente funziona su questa teoria dell'esecuzione.
XGBoostClassificatore: XGBoost: Algoritmo di Extreme Gradient Boosting. Questo algoritmo viene utilizzato per i dati strutturati in cui i valori delle colonne di destinazione possono essere suddivisi in valori di classe distinti.