ClassificationModels type

Uppräkning för alla klassificeringsmodeller som stöds av AutoML.
KnownClassificationModels kan användas omväxlande med ClassificationModels, detta enum innehåller de kända värden som tjänsten stödjer.

Kända värden som stöds av tjänsten

Logistisk regression: Logistisk regression är en grundläggande klassificeringsteknik. Den tillhör gruppen linjära klassificerare och liknar i viss mån polynom och linjär regression. Logistisk regression är snabb och relativt okomplicerad, och det är bekvämt för dig att tolka resultaten. Även om det i princip är en metod för binär klassificering kan den också tillämpas på problem med flera klasser.
SGD: SGD: Stokastisk gradientnedstigning är en optimeringsalgoritm som ofta används i maskininlärningsapplikationer för att hitta de modellparametrar som motsvarar den bästa anpassningen mellan förutsagda och faktiska utdata.
MultinomiellNaiveBayes: Den multinomiala Naive Bayes-klassificeraren är lämplig för klassificering med diskreta egenskaper (t.ex. ordantal för textklassificering). Den multinomiala fördelningen kräver normalt antal heltalsfunktioner. I praktiken kan dock bråktal som tf-idf också fungera.
BernoulliNaiveBayes: Naiv Bayes-klassificerare för multivariata Bernoulli-modeller.
SVM: En stödvektormaskin (SVM) är en övervakad maskininlärningsmodell som använder klassificeringsalgoritmer för tvågruppsklassificeringsproblem. När de har gett en SVM-modell uppsättningar med märkta träningsdata för varje kategori kan de kategorisera ny text.
LinearSVM: En stödvektormaskin (SVM) är en övervakad maskininlärningsmodell som använder klassificeringsalgoritmer för tvågruppsklassificeringsproblem. När de har gett en SVM-modell uppsättningar med märkta träningsdata för varje kategori kan de kategorisera ny text. Linjär SVM fungerar bäst när indata är linjära, dvs. data kan enkelt klassificeras genom att dra den raka linjen mellan klassificerade värden på en plottad graf.
KNN: K-närmaste grannar (KNN)-algoritmen använder 'feature similarity' för att förutsäga värdena på nya datapunkter, vilket dessutom innebär att den nya datapunkten tilldelas ett värde baserat på hur nära den matchar punkterna i träningsuppsättningen.
DecisionTree: Decision Trees är en icke-parametrisk övervakad inlärningsmetod som används för både klassificerings- och regressionsuppgifter. Målet är att skapa en modell som förutsäger värdet på en målvariabel genom att lära sig enkla beslutsregler som härleds från datafunktionerna.
RandomForest: Random forest är en övervakad inlärningsalgoritm. Den "skog" som skapas är en ensemble av beslutsträd, som vanligtvis tränas med metoden "bagging". Den allmänna idén med baggingmetoden är att en kombination av inlärningsmodeller ökar det totala resultatet.
ExtremeRandomTrees: Extreme Trees är en ensemble-maskininlärningsalgoritm som kombinerar förutsägelser från många beslutsträd. Det är relaterat till den allmänt använda algoritmen för slumpmässig skog.
LightGBM: LightGBM är ett gradientboostande ramverk som använder trädbaserade inlärningsalgoritmer.
GradientBoosting: Tekniken att omvandla veckovisa elever till en stark elev kallas Boosting. Gradient boosting-algoritmprocessen fungerar på denna teori om utförande.
XGBoostClassifier: XGBoost: Extrem gradientförstärkningsalgoritm. Den här algoritmen används för strukturerad data där målkolumnvärden kan delas in i distinkta klassvärden.