KnownRegressionModels enum

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。

彈性網路是一種流行的正則化線性迴歸類型，它結合了兩種流行的懲罰，特別是 L1 和 L2 懲罰函數。

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。

套索模型適合最小角度回歸又名 Lars。 它是一個線性模型，使用 L1 先驗作為正則化器進行訓練。

LightGBM 是一個梯度提升框架，它使用基於樹的學習演算法。

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。 這是一種不精確但強大的技術。

XGBoostRegressor：Extreme Gradient Boosting Regressor 是一種使用基礎學習器集成的監督機器學習模型。