ClassificationModels type

AutoML tarafından desteklenen tüm sınıflandırma modelleri için sabit listesi.
BilinenSınıflandırma Modelleri , Sınıflandırma Modelleri ile değiştirilebilir ve bu enum hizmetin desteklediği bilinen değerleri içerir.

Hizmet tarafından desteklenen bilinen değerler

Lojistik Regresyon: Lojistik regresyon temel bir sınıflandırma tekniğidir. Doğrusal sınıflandırıcılar grubuna aittir ve polinom ve doğrusal regresyona biraz benzer. Lojistik regresyon hızlıdır ve nispeten karmaşık değildir ve sonuçları yorumlamanız sizin için uygundur. Esasen ikili sınıflandırma için bir yöntem olmasına rağmen, çok sınıflı problemlere de uygulanabilir.
SGD: SGD: Stokastik gradyan inişi, makine öğrenimi uygulamalarında genellikle tahmin edilen ve gerçek çıktılar arasındaki en iyi uyumu sağlayan model parametrelerini bulmak için kullanılan bir optimizasyon algoritmasıdır.
Multinomial NaiveBayes: Multinomial Naive Bayes sınıflandırıcısı, ayrık özelliklere sahip sınıflandırma için uygundur (örneğin, metin sınıflandırması için kelime sayıları). Çok terimli dağılım normalde tamsayı özellik sayıları gerektirir. Ancak pratikte tf-idf gibi kesirli sayımlar da işe yarayabilir.
BernoulliNaiveBayes: Çok değişkenli Bernoulli modelleri için Naive Bayes sınıflayıcısı.
SVM: Destek vektör makinesi (SVM), iki gruplu sınıflandırma problemleri için sınıflandırma algoritmaları kullanan denetli bir makine öğrenimi modelidir. Bir SVM modeline her kategori için etiketli eğitim verisi kümeleri verdikten sonra, yeni metni kategorilere ayırabilirler.
LinearSVM: Destek vektör makinesi (SVM), iki gruplu sınıflandırma problemleri için sınıflandırma algoritmaları kullanan denetli bir makine öğrenimi modelidir. Bir SVM modeline her kategori için etiketli eğitim verisi kümeleri verdikten sonra, yeni metni kategorilere ayırabilirler. Doğrusal SVM, girdi verileri doğrusal olduğunda en iyi performansı gösterir, yani veriler, çizilen bir grafikte sınıflandırılmış değerler arasında düz bir çizgi çizilerek kolayca sınıflandırılabilir.
KNN: K-en yakın komşular (KNN) algoritması, yeni veri noktalarının değerlerini tahmin etmek için 'özellik benzerliği' kullanır; bu da yeni veri noktasının eğitim kümesindeki noktalarla ne kadar yakınlaştığına göre bir değer atanması anlamına gelir.
DecisionTree: Karar Ağaçları, hem sınıflandırma hem de regresyon görevleri için kullanılan parametrik olmayan denetli bir öğrenme yöntemidir. Amaç, veri özelliklerinden çıkarılan basit karar kurallarını öğrenerek bir hedef değişkenin değerini tahmin eden bir model oluşturmaktır.
RandomForest: Random forest, denetimli bir öğrenme algoritmasıdır. İnşa ettiği "orman", genellikle "torbalama" yöntemiyle eğitilmiş bir karar ağaçları topluluğudur. Torbalama yönteminin genel fikri, öğrenme modellerinin bir kombinasyonunun genel sonucu arttırmasıdır.
ExtremeRandomTrees: Extreme Trees, birçok karar ağacından alınan tahminleri birleştiren bir toplu makine öğrenimi algoritmasıdır. Yaygın olarak kullanılan rastgele orman algoritması ile ilgilidir.
LightGBM: LightGBM, ağaç tabanlı öğrenme algoritmaları kullanan bir gradyan güçlendirme çerçevesidir.
GradientBoosting: Hafta öğrenenleri güçlü bir öğrenene dönüştürme tekniğine Boosting denir. Gradyan artırma algoritması süreci, bu yürütme teorisi üzerinde çalışır.
XGBoostClassificier: XGBoost: Aşırı Gradient Artırma Algoritması. Bu algoritma, hedef sütun değerlerinin farklı sınıf değerlerine bölünebildiği yapılandırılmış veriler için kullanılır.