RegressionModels type

AutoML 支援之所有迴歸模型的列舉。
KnownRegressionModels 可與 RegressionModels 互換使用，此列舉包含服務所支援的已知值。

服務支援的已知值

ElasticNet：彈性網路是一種流行的正則化線性迴歸，結合了兩個常見的懲罰，特別是L1和L2懲罰函數。
梯度提升：將學習者從週過渡到優秀學習者的技巧稱為提升。 梯度提升演算法過程基於這種執行理論。
決策樹：決策樹是一種非參數監督學習方法，用於分類與迴歸任務。 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。
KNN：K-最近鄰（KNN）演算法利用「特徵相似度」來預測新資料點的值，進一步表示新資料點會根據與訓練集點的接近程度被賦予一個值。
LassoLars：套索模型配合最小角度迴歸（又稱Lars）。 它是一個線性模型，使用 L1 先驗作為正則化器進行訓練。
SGD：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，用以尋找對應預測結果與實際輸出最佳擬合的模型參數。 這是一種不精確但強大的技術。
RandomForest：隨機森林是一種監督式學習演算法。 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。
ExtremeRandomTrees：Extreme Trees 是一種集合式機器學習演算法，結合了多個決策樹的預測結果。 它與廣泛使用的隨機森林演算法有關。
LightGBM：LightGBM 是一個採用樹狀學習演算法的梯度提升框架。
XGBoostRegressor：XGBoostRegressor：極端梯度提升回歸器是一個使用基底學習器集合的監督式機器學習模型。