ClassificationModels type
تعريف قيم ClassificationModels.
KnownClassificationModels يمكن استخدامها بالتبادل مع ClassificationModels، يحتوي هذا التعداد على القيم المعروفة التي تدعمها الخدمة.
القيم المعروفة التي تدعمها الخدمة
الانحدار اللوجستي: الانحدار اللوجستي هو تقنية تصنيف أساسية.
وهو ينتمي إلى مجموعة المصنفات الخطية وهو مشابه إلى حد ما للتراجع متعدد الحدود والخطي.
التراجع اللوجستي سريع وغير معقدة نسبيا، ومن الملائم لك تفسير النتائج.
على الرغم من أنها في الأساس طريقة للتصنيف الثنائي، إلا أنه يمكن تطبيقها أيضا على المشكلات متعددة الطبقات.
SGD: SGD: الانخفاض المتدرج العشوائي هو خوارزمية تحسين تستخدم غالبا في تطبيقات التعلم الآلي للعثور على معلمات النموذج التي تتوافق مع أفضل ملاءمة بين المخرجات المتوقعة والفعلية.
MultinomialNaiveBayes: مصنف Naive Bayes متعدد الحدود مناسب للتصنيف بميزات منفصلة (على سبيل المثال، عدد الكلمات لتصنيف النص).
يتطلب التوزيع متعدد الحدود عادة عدد ميزات عدد صحيح. ومع ذلك، من الناحية العملية، قد تعمل أيضا أعداد كسرية مثل tf-idf.
BernoulliNaiveBayes: مصنف Naive Bayes لنماذج Bernoulli متعددة المتغيرات.
SVM: جهاز متجه الدعم (SVM) هو نموذج تعلم آلي خاضع للإشراف يستخدم خوارزميات التصنيف لمشاكل التصنيف من مجموعتين.
بعد إعطاء مجموعات نماذج SVM من بيانات التدريب المسماة لكل فئة، يمكنهم تصنيف نص جديد.
LinearSVM: جهاز متجه الدعم (SVM) هو نموذج تعلم آلي خاضع للإشراف يستخدم خوارزميات التصنيف لمشاكل التصنيف من مجموعتين.
بعد إعطاء مجموعات نماذج SVM من بيانات التدريب المسماة لكل فئة، يمكنهم تصنيف نص جديد.
يعمل SVM الخطي بشكل أفضل عندما تكون بيانات الإدخال خطية، أي يمكن تصنيف البيانات بسهولة عن طريق رسم الخط المستقيم بين القيم المصنفة على رسم بياني رسومي.
KNN: تستخدم خوارزمية أقرب الجيران (KNN) "تشابه الميزات" للتنبؤ بقيم نقاط البيانات الجديدة مما يعني أيضا أنه سيتم تعيين قيمة لنقطة البيانات الجديدة استنادا إلى مدى تطابقها مع النقاط في مجموعة التدريب.
DecisionTree: أشجار القرار هي طريقة تعلم خاضعة للإشراف غير المعلمي تستخدم لكل من مهام التصنيف والانحدار.
الهدف هو إنشاء نموذج يتنبأ بقيمة المتغير الهدف من خلال تعلم قواعد القرار البسيطة المستنتجة من ميزات البيانات.
RandomForest: الغابة العشوائية هي خوارزمية تعلم خاضعة للإشراف.
"الغابة" التي تبنيها، هي مجموعة من أشجار القرار، وعادة ما يتم تدريبها باستخدام طريقة "وضع العلامات".
الفكرة العامة لأسلوب وضع العلامات هي أن مجموعة من نماذج التعلم تزيد من النتيجة الإجمالية.
ExtremeRandomTrees: يعد Extreme Trees خوارزمية التعلم الآلي التي تجمع بين التنبؤات من العديد من أشجار القرار. وهو مرتبط خوارزمية الغابة العشوائية المستخدمة على نطاق واسع.
LightGBM: LightGBM هو إطار عمل تعزيز متدرج يستخدم خوارزميات التعلم المستندة إلى الشجرة.
GradientBoosting: تسمى تقنية عبور متعلمي الأسبوع إلى متعلم قوي تعزيز. تعمل عملية الخوارزمية المعززة للتدرج على نظرية التنفيذ هذه.
XGBoostClassifier: XGBoost: خوارزمية تعزيز التدرج الشديد. يتم استخدام هذه الخوارزمية للبيانات المنظمة حيث يمكن تقسيم قيم العمود الهدف إلى قيم فئة مميزة.
type ClassificationModels = string