RegressionModels type

AutoML でサポートされているすべての回帰モデルの列挙型。
KnownRegressionModels はRegressionModelsと同義で使用でき、この列挙にはサービスがサポートする既知の値が含まれています。

サービスでサポートされている既知の値

ElasticNet:ElasticNetは、L1とL2のペナルティ関数という2つの一般的なペナルティを組み合わせた、人気のある正則化線形回帰の一種です。
グラディエントブースティング:週の学習者を強い学習者へと移行させる手法をブースティングと呼びます。 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。
DecisionTree:決定木は分類と回帰の両方のタスクで使用される非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。
KNN:K近傍(KNN)アルゴリズムは「特徴類似度」を用い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とどれだけ密接に一致するかに基づいて値を割り当てます。
LassoLars:最小角度回帰(Lars)によるラッソモデル適合。 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。
SGD: SGD: 確率的勾配降下は、機械学習アプリケーションでよく用いられる最適化アルゴリズムで、予測値と実際の出力の最適適合に対応するモデルパラメータを見つけるために使われます。 これは不正確ですが、強力なテクニックです。
RandomForest: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。
ExtremeRandomTrees:Extreme Treesは、多くの意思決定木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。
LightGBM:LightGBMは、木ベースの学習アルゴリズムを用いた勾配ブーストフレームワークです。
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressorは、ベース学習器のアンサンブルを用いた教師ありの機械学習モデルです。