ClassificationModels type

Enum voor alle classificatiemodellen die door AutoML worden ondersteund.
KnownClassificationModels kunnen door elkaar worden gebruikt met ClassificationModels; dit enum bevat de bekende waarden die de dienst ondersteunt.

Bekende waarden die door de service worden ondersteund

LogisticRegressie: Logistische regressie is een fundamentele classificatietechniek. Het behoort tot de groep van lineaire classificatoren en lijkt enigszins op polynoom en lineaire regressie. Logistische regressie is snel en relatief ongecompliceerd, en het is handig voor u om de resultaten te interpreteren. Hoewel het in wezen een methode is voor binaire classificatie, kan het ook worden toegepast op problemen met meerdere klassen.
SGD: SGD: Stochastische gradiëntafdaling is een optimalisatie-algoritme dat vaak wordt gebruikt in machine learning-toepassingen om de modelparameters te vinden die overeenkomen met de beste aansluiting tussen voorspelde en daadwerkelijke outputs.
MultinomiaalNaiveBayes: De multinomiale Naïeve Bayes-classifier is geschikt voor classificatie met discrete kenmerken (bijv. woordtellingen voor tekstclassificatie). De multinomiale verdeling vereist normaal gesproken het aantal gehele getallen. In de praktijk kunnen fractionele tellingen zoals tf-idf echter ook werken.
BernoulliNaiveBayes: Naïeve Bayes-classifier voor multivariate Bernoulli-modellen.
SVM: Een support vector machine (SVM) is een gesuperviseerd machine learning-model dat classificatie-algoritmen gebruikt voor tweegroepsclassificatieproblemen. Nadat ze een SVM-modelset met gelabelde trainingsgegevens voor elke categorie hebben gegeven, kunnen ze nieuwe tekst categoriseren.
LinearSVM: Een support vector machine (SVM) is een begeleid machine learning-model dat classificatie-algoritmen gebruikt voor tweegroepsclassificatieproblemen. Nadat ze een SVM-modelset met gelabelde trainingsgegevens voor elke categorie hebben gegeven, kunnen ze nieuwe tekst categoriseren. Lineaire SVM presteert het beste wanneer de invoergegevens lineair zijn, d.w.z. dat gegevens eenvoudig kunnen worden geclassificeerd door de rechte lijn tussen geclassificeerde waarden op een geplotte grafiek te tekenen.
KNN: Het K-dichtstbijzijnde buren (KNN) algoritme gebruikt 'feature similarity' om de waarden van nieuwe datapunten te voorspellen, wat verder betekent dat het nieuwe datapunt een waarde krijgt toegekend op basis van hoe nauwkeurig het overeenkomt met de punten in de trainingsset.
DecisionTree: Decision Trees zijn een niet-parametrische supervised learning-methode die wordt gebruikt voor zowel classificatie- als regressietaken. Het doel is om een model te maken dat de waarde van een doelvariabele voorspelt door eenvoudige beslissingsregels te leren die worden afgeleid uit de gegevensfuncties.
RandomForest: Random Forest is een begeleid leeralgoritme. Het "bos" dat het bouwt, is een ensemble van beslissingsbomen, meestal getraind met de "bagging"-methode. Het algemene idee van de afzakmethode is dat een combinatie van leermodellen het totale resultaat verhoogt.
ExtremeRandomTrees: Extreme Trees is een ensemble-machine learning-algoritme dat voorspellingen van vele beslissingsbomen combineert. Het heeft te maken met het veelgebruikte random forest-algoritme.
LightGBM: LightGBM is een gradient boosting framework dat gebruikmaakt van boomgebaseerde leeralgoritmen.
GradientBoosting: De techniek om weekleerlingen te transformeren naar een sterke leerling heet Boosting. Het algoritme voor het verhogen van de gradiënt werkt volgens deze uitvoeringstheorie.
XGBoostClassifier: XGBoost: Extreme Gradient Boosting Algoritme. Dit algoritme wordt gebruikt voor gestructureerde gegevens waarbij doelkolomwaarden kunnen worden onderverdeeld in afzonderlijke klassewaarden.