KnownClassificationModels enum

多變量伯努利模型的樸素貝葉斯分類器。

決策樹是一種非參數監督學習方法，用於分類和迴歸任務。 目標是建立一個模型，透過學習從資料特徵推斷的簡單決策規則來預測目標變數的值。

Extreme Trees 是一種集成機器學習算法，它結合了許多決策樹的預測。 它與廣泛使用的隨機森林演算法有關。

將每週學習者轉變為強學習者的技術稱為提升。 梯度提升演算法過程基於這種執行理論。

K 最近鄰 （KNN） 演算法使用「特徵相似性」來預測新資料點的值，這進一步意味著新資料點將根據與訓練集中的點的匹配程度分配一個值。

LightGBM 是一個梯度提升框架，它使用基於樹的學習演算法。

支援向量機 （SVM） 是一種監督式機器學習模型，它使用分類演算法來處理兩組分類問題。 為 SVM 模型提供每個類別的標記訓練資料集後，他們能夠對新文字進行分類。 當輸入資料是線性的時，線性 SVM 的效能最佳，也就是說，可以透過在繪製的圖表上的分類值之間繪製直線來輕鬆對資料進行分類。

邏輯迴歸是一種基本的分類技術。 它屬於線性分類器組，有點類似多項式和線性迴歸。 邏輯迴歸速度快，相對簡單，方便您解讀結果。 雖然它本質上是一種二元分類的方法，但它也可以應用於多類別問題。

多項式樸素貝葉斯分類器適用於具有離散特徵的分類（例如，文字分類的字數統計）。 多項式分佈通常需要整數特徵計數。 然而，在實踐中，諸如 tf-idf 之類的分數計數也可能有效。

隨機森林是一種監督學習演算法。 它構建的“森林”是決策樹的集合，通常使用“裝袋”方法進行訓練。 套袋方法的總體思想是學習模型的組合增加了整體結果。

SGD：隨機梯度下降是一種常用於機器學習應用的最佳化演算法，用於尋找與預測輸出和實際輸出之間最佳擬合相對應的模型參數。

支援向量機 （SVM） 是一種監督式機器學習模型，它使用分類演算法來處理兩組分類問題。 為 SVM 模型提供每個類別的標記訓練資料集後，他們能夠對新文字進行分類。

XGBoost：極限梯度提升演算法。 此演算法用於結構化資料，其中目標資料行值可以劃分為不同的類別值。