KnownClassificationModels enum

Naiwny klasyfikator Bayesa dla wielowymiarowych modeli Bernoulliego.

Drzewa decyzyjne to nieparametryczna metoda uczenia nadzorowanego używana zarówno do zadań klasyfikacji, jak i regresji. Celem jest stworzenie modelu, który przewiduje wartość zmiennej docelowej poprzez uczenie się prostych reguł decyzyjnych wywnioskowanych z funkcji danych.

Extreme Trees to algorytm uczenia maszynowego oparty na zespole, który łączy przewidywania z wielu drzew decyzyjnych. Jest to związane z szeroko stosowanym algorytmem lasu losowego.

Technika przekształcania uczniów uczących się w ciągu tygodnia w silnego ucznia nazywa się Boostingiem. Proces algorytmu zwiększania gradientu działa w oparciu o tę teorię wykonania.

Algorytm K-najbliższych sąsiadów (KNN) wykorzystuje "podobieństwo cech" do przewidywania wartości nowych punktów danych, co dodatkowo oznacza, że nowemu punktowi danych zostanie przypisana wartość na podstawie tego, jak bardzo pasuje do punktów w zbiorze treningowym.

LightGBM to framework zwiększający gradient, który wykorzystuje algorytmy uczenia się oparte na drzewach.

Maszyna wektorów nośnych (SVM) to nadzorowany model uczenia maszynowego, który wykorzystuje algorytmy klasyfikacji dla 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.

Regresja logistyczna jest podstawową techniką 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.

Wielomianowy naiwny klasyfikator Bayesa nadaje się do klasyfikacji z cechami dyskretnymi (np. liczbą słów do klasyfikacji tekstu). Rozkład wielomianowy zwykle wymaga liczby funkcji całkowitych. Jednak w praktyce mogą również działać zliczenia ułamkowe, takie jak tf-idf.

Las losowy jest algorytmem 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.

SGD: Stochastyczne zejście gradientowe to algorytm optymalizacyjny często używany w aplikacjach uczenia maszynowego w celu znalezienia parametrów modelu, które odpowiadają najlepszemu dopasowaniu między przewidywanymi a rzeczywistymi wynikami.

Maszyna wektorów nośnych (SVM) to nadzorowany model uczenia maszynowego, który wykorzystuje algorytmy klasyfikacji dla problemów klasyfikacji dwóch grup. Po przekazaniu modelowi SVM zestawów oznaczonych danych treningowych dla każdej kategorii, są w stanie skategoryzować nowy tekst.

XGBoost: Algorytm zwiększania ekstremalnego gradientu. Ten algorytm jest używany w przypadku danych strukturalnych, w których wartości kolumn docelowych można podzielić na odrębne wartości klas.