KnownRegressionModels enum

デシジョンツリーは、分類タスクと回帰タスクの両方に使用されるノンパラメトリック教師あり学習手法です。 目標は、データ特徴から推測された単純な決定ルールを学習することにより、ターゲット変数の値を予測するモデルを作成することです。

弾性ネットは、2 つの一般的なペナルティ、特に L1 ペナルティ関数と L2 ペナルティ関数を組み合わせた、一般的なタイプの正則化線形回帰です。

Extreme Trees は、多くの決定木からの予測を組み合わせたアンサンブル機械学習アルゴリズムです。 これは、広く使用されているランダムフォレストアルゴリズムに関連しています。

週の学習者を強い学習者に移行させるテクニックは、ブースティングと呼ばれます。 勾配ブースティングアルゴリズムプロセスは、この実行理論に基づいて機能します。

K最近傍(KNN)アルゴリズムは、「特徴の類似性」を使用して新しいデータポイントの値を予測し、さらに、新しいデータポイントにトレーニングセット内のポイントにどれだけ近いかに基づいて値が割り当てられることを意味します。

Least Angle Regression 別名 Lars によるなげなわモデルの適合。 これは、正規化器として L1 事前を使用してトレーニングされた線形モデルです。

LightGBMは、ツリーベースの学習アルゴリズムを使用する勾配ブースティングフレームワークです。

ランダムフォレストは教師あり学習アルゴリズムです。 それが構築する「フォレスト」は、通常「バギング」方式でトレーニングされた決定木のアンサンブルです。 バギング法の一般的な考え方は、学習モデルの組み合わせが全体的な結果を向上させるというものです。

SGD: 確率的勾配降下法は、予測出力と実際の出力の最適な適合に対応するモデル パラメーターを見つけるために、機械学習アプリケーションでよく使用される最適化アルゴリズムです。 これは不正確ですが、強力なテクニックです。

XGBoostRegressor: Extreme Gradient Boosting Regressor は、基本学習器のアンサンブルを使用する教師あり機械学習モデルです。