KnownRegressionModels enum

Beslutsträd 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.

Elastiskt nät är en populär typ av regulariserad linjär regression som kombinerar två populära strafffunktioner, särskilt L1- och L2-strafffunktionerna.

Extreme Trees är en maskininlärningsalgoritm som kombinerar förutsägelserna från många beslutsträd. Det är relaterat till den allmänt använda algoritmen för slumpmässig skog.

Tekniken för att omvandla en veckas elev till en stark elev kallas Boosting. Gradient boosting-algoritmprocessen fungerar på denna teori om utförande.

KNN-algoritmen (K-nearest neighbors) använder "funktionslikhet" för att förutsäga värdena för nya datapunkter, vilket ytterligare innebär att den nya datapunkten tilldelas ett värde baserat på hur nära den matchar punkterna i träningsuppsättningen.

Lassomodellen passar ihop med Least Angle Regression a.k.a. Lars. Det är en linjär modell som tränats med en L1 tidigare som regulariserare.

LightGBM är ett gradientförstärkande ramverk som använder trädbaserade inlärningsalgoritmer.

Slumpmässig skog är en algoritm för övervakad inlärning. 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.

SGD: Stochastic gradient descent är en optimeringsalgoritm som ofta används i maskininlärningsapplikationer för att hitta de modellparametrar som motsvarar den bästa passformen mellan förutspådda och faktiska utdata. Det är en inexakt men kraftfull teknik.

XGBoostRegressor: Extreme Gradient Boosting Regressor är en övervakad maskininlärningsmodell som använder en ensemble av baselever.