KnownRegressionModels enum

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.

Elastyczna siatka to popularny rodzaj regularnej regresji liniowej, który łączy dwie popularne kary, w szczególności funkcje kar L1 i L2.

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.

Model Lasso pasuje do Regresji Najmniejszego Kąta a.k.a. Larsa. Jest to model liniowy wytrenowany z uprzednim L1 jako regularyzatorem.

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

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. To niedokładna, ale potężna technika.

XGBoostRegressor: Extreme Gradient Boosting Regressor to nadzorowany model uczenia maszynowego wykorzystujący zespół podstawowych uczniów.