KnownRegressionModels enum
AutoML에서 지원하는 모든 회귀 모델에 대한 열거형입니다.
필드
| DecisionTree | 의사 결정 트리는 분류 및 회귀 작업 모두에 사용되는 비모수 지도 학습 방법입니다. 목표는 데이터 기능에서 추론된 간단한 의사결정 규칙을 학습하여 대상 변수의 값을 예측하는 모델을 만드는 것입니다. |
| ElasticNet | 탄성망은 널리 사용되는 두 가지 페널티, 특히 L1 및 L2 페널티 함수를 결합한 인기 있는 정규화된 선형 회귀 유형입니다. |
| ExtremeRandomTrees | Extreme Trees는 여러 의사결정 트리의 예측을 결합한 앙상블 기계 학습 알고리즘입니다. 널리 사용되는 랜덤 포레스트 알고리즘과 관련이 있습니다. |
| GradientBoosting | 주간 학습자를 강력한 학습자로 전환하는 기술을 부스팅이라고 합니다. 그래디언트 부스팅 알고리즘 프로세스는 이 실행 이론에서 작동합니다. |
| KNN | K-최근접 이웃(KNN) 알고리즘은 '특징 유사성'을 사용하여 새 데이터 포인트의 값을 예측하며, 이는 새 데이터 포인트가 훈련 세트의 포인트와 얼마나 밀접하게 일치하는지에 따라 값이 할당된다는 것을 의미합니다. |
| LassoLars | Least Angle Regression(일명 Lars)에 맞는 올가미 모델. L1 사전을 정규화기로 사용하여 훈련된 선형 모델입니다. |
| LightGBM | LightGBM은 트리 기반 학습 알고리즘을 사용하는 그래디언트 부스팅 프레임워크입니다. |
| RandomForest | 랜덤 포레스트는 지도 학습 알고리즘입니다. 그것이 구축하는 "숲"은 일반적으로 "배깅" 방법으로 훈련된 의사결정 트리의 앙상블입니다. 배깅 방법의 일반적인 아이디어는 학습 모델의 조합이 전반적인 결과를 증가시킨다는 것입니다. |
| SGD | SGD: 확률적 기울기 하강법은 예측된 출력과 실제 출력 사이에 가장 적합한 모델 매개변수를 찾기 위해 기계 학습 애플리케이션에서 자주 사용되는 최적화 알고리즘입니다. 부정확하지만 강력한 기술입니다. |
| XGBoostRegressor | XGBoostRegressor: Extreme Gradient Boosting Regressor는 기본 학습자의 앙상블을 사용하는 지도 기계 학습 모델입니다. |
