ClassificationModels type

Wyliczenie dla wszystkich modeli klasyfikacji obsługiwanych przez rozwiązanie AutoML.
KnownClassificationModels mogą być używane zamiennie z ClassificationModels, a ten enum zawiera znane wartości, które obsługuje usługa.

Znane wartości obsługiwane przez usługę

Regresja logistyczna: Regresja logistyczna to podstawowa technika klasyfikacji. Należy do grupy klasyfikatorów liniowych i jest nieco podobna do regresji wielomianowej i liniowej. Regresja logistyczna jest szybka i stosunkowo nieskomplikowana, a interpretacja wyników jest wygodna. Chociaż jest to zasadniczo metoda klasyfikacji binarnej, może być również stosowana do problemów wieloklasowych.
SGD: SGD: Stochastyczny gradient descent to algorytm optymalizacyjny często stosowany w aplikacjach uczenia maszynowego do znalezienia parametrów modelu odpowiadających najlepszemu dopasowaniu między przewidywanymi a rzeczywistymi wynikami.
MultimialNaiveBayes: Multinomalny klasyfikator Naivnego Bayesa nadaje się do klasyfikacji z cechami dyskretnymi (np. liczbą słów do klasyfikacji tekstowej). Rozkład wielomianowy zwykle wymaga liczby funkcji całkowitych. Jednak w praktyce mogą również działać zliczenia ułamkowe, takie jak tf-idf.
BernoulliNaiveBayes: Naivny klasyfikator Bayesa dla wielowymiarowych modeli Bernoulliego.
SVM: Maszyna wektorowa wspierająca (SVM) to nadzorowany model uczenia maszynowego, który wykorzystuje algorytmy klasyfikacji do problemów klasyfikacji dwugrupowej. Po przekazaniu modelowi SVM zestawów oznaczonych danych treningowych dla każdej kategorii, są w stanie skategoryzować nowy tekst.
LinearSVM: Maszyna wektorowa wspierająca (SVM) to nadzorowany model uczenia maszynowego, który wykorzystuje algorytmy klasyfikacji do problemów klasyfikacji dwóch grup. Po przekazaniu modelowi SVM zestawów oznaczonych danych treningowych dla każdej kategorii, są w stanie skategoryzować nowy tekst. Liniowa SVM działa najlepiej, gdy dane wejściowe są liniowe, tj. dane można łatwo sklasyfikować, rysując linię prostą między sklasyfikowanymi wartościami na wykresie.
KNN: Algorytm K-najbliższych sąsiadów (KNN) wykorzystuje "podobieństwo cech" do przewidywania wartości nowych punktów danych, co dodatkowo oznacza, że nowemu punktowi przypisano wartość opartą na tym, jak bardzo odpowiada punktom w zbiorze treningowym.
Drzewo Decyzyjne: Drzewa decyzyjne to nieparametryczna metoda uczenia nadzorowanego stosowana zarówno do zadań klasyfikacyjnych, jak i regresji. Celem jest stworzenie modelu, który przewiduje wartość zmiennej docelowej poprzez uczenie się prostych reguł decyzyjnych wywnioskowanych z funkcji danych.
RandomForest: Random forest to algorytm uczenia nadzorowanego. "Las", który buduje, jest zbiorem drzew decyzyjnych, zwykle trenowanych metodą "workowania". Ogólna idea metody workowania polega na tym, że połączenie modeli uczenia się zwiększa ogólny wynik.
ExtremeRandomTrees: Extreme Trees to algorytm uczenia maszynowego oparty na zespole, który łączy prognozy z wielu drzew decyzyjnych. Jest to związane z szeroko stosowanym algorytmem lasu losowego.
LightGBM: LightGBM to framework do wzmacniania gradientów, który wykorzystuje algorytmy uczenia oparte na drzewach.
GradientBoosting: Technika przenoszenia uczniów tygodnia w silnego ucznia nazywa się Boosting. Proces algorytmu zwiększania gradientu działa w oparciu o tę teorię wykonania.
XGBoostClassifier: XGBoost: Algorytm Ekstremalnego Gradientowego Boostingu. Ten algorytm jest używany w przypadku danych strukturalnych, w których wartości kolumn docelowych można podzielić na odrębne wartości klas.