ClassificationModels type

Enumeração para todos os modelos de classificação compatíveis com o AutoML.
KnownClassificationModels pode ser usado de forma intercambiável com ClassificationModels, esse enum contém os valores conhecidos que o serviço suporta.

Valores conhecidos compatíveis com o serviço

Regressão Logística: A regressão logística é uma técnica fundamental de classificação. Pertence ao grupo dos classificadores lineares e é um pouco semelhante à regressão polinomial e linear. A regressão logística é rápida e relativamente descomplicada, e é conveniente para você interpretar os resultados. Embora seja essencialmente um método para classificação binária, ele também pode ser aplicado a problemas multiclasse.
SGD: SGD: A descida estocástica por gradiente é um algoritmo de otimização frequentemente usado em aplicações de aprendizado de máquina para encontrar os parâmetros do modelo que correspondem ao melhor ajuste entre as saídas previstas e as reais.
MultinomialNaiveBayes: O classificador multinomial Naive Bayes é adequado para classificação com características discretas (por exemplo, contagens de palavras para classificação de texto). A distribuição multinomial normalmente requer contagens de recursos inteiros. No entanto, na prática, contagens fracionárias, como tf-idf, também podem funcionar.
BernoulliNaiveBayes: Classificador Naive Bayes para modelos Bernoulli multivariados.
SVM: Uma máquina de vetores de suporte (SVM) é um modelo de aprendizado de máquina supervisionado que utiliza algoritmos de classificação para problemas de classificação em dois grupos. Depois de fornecer a um modelo SVM conjuntos de dados de treinamento rotulados para cada categoria, eles podem categorizar o novo texto.
SVM Linear: Uma máquina de vetores de suporte (SVM) é um modelo de aprendizado de máquina supervisionado que utiliza algoritmos de classificação para problemas de classificação de dois grupos. Depois de fornecer a um modelo SVM conjuntos de dados de treinamento rotulados para cada categoria, eles podem categorizar o novo texto. O SVM linear tem melhor desempenho quando os dados de entrada são lineares, ou seja, os dados podem ser facilmente classificados desenhando a linha reta entre os valores classificados em um gráfico plotado.
KNN: O algoritmo K-vizinhos mais próximos (KNN) usa 'similaridade de características' para prever os valores de novos pontos de dados, o que ainda significa que o novo ponto de dados receberá um valor baseado em quão próximo ele se aproxima dos pontos do conjunto de treinamento.
Árvore de Decisão: Árvores de Decisão são um método de aprendizado supervisionado não paramétrico usado tanto para tarefas de classificação quanto de regressão. O objetivo é criar um modelo que preveja o valor de uma variável de destino aprendendo regras de decisão simples inferidas a partir dos recursos de dados.
RandomForest: Random forest é um algoritmo de aprendizado supervisionado. A "floresta" que ele constrói, é um conjunto de árvores de decisão, geralmente treinadas com o método de "ensacamento". A ideia geral do método de ensacamento é que uma combinação de modelos de aprendizado aumenta o resultado geral.
ExtremeRandomTrees: Extreme Trees é um algoritmo de aprendizado de máquina conjunto que combina as previsões de várias árvores de decisão. Está relacionado ao algoritmo de floresta aleatória amplamente utilizado.
LightGBM: LightGBM é um framework de gradiente que utiliza algoritmos de aprendizado baseados em árvores.
GradientBoosting: A técnica de transitar os alunos da semana para um aprendiz forte é chamada de Boosting. O processo do algoritmo de aumento de gradiente funciona nessa teoria de execução.
XGBoostClassificador: XGBoost: Algoritmo de Aumento de Gradiente Extremo. Esse algoritmo é usado para dados estruturados em que os valores da coluna de destino podem ser divididos em valores de classe distintos.