KnownRegressionModels enum

الحزمة:

@azure/arm-machinelearning

القيم المعروفة RegressionModels التي تقبلها الخدمة.

الحقول

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.
ElasticNet	الشبكة المرنة هي نوع شائع من الانحدار الخطي المنتظم الذي يجمع بين اثنتين من العقوبات الشائعة، وتحديدا وظائف عقوبة L1 وL2.
ExtremeRandomTrees	الأشجار المتطرفة هي خوارزمية التعلم الآلي التي تجمع بين التنبؤات من العديد من أشجار القرار. وهو مرتبط خوارزمية الغابة العشوائية المستخدمة على نطاق واسع.
GradientBoosting	تسمى تقنية عبور متعلمي الأسبوع إلى متعلم قوي تعزيز. تعمل عملية الخوارزمية المعززة للتدرج على نظرية التنفيذ هذه.
KNN	تستخدم خوارزمية K-near neighbors (KNN) "تشابه الميزة" للتنبؤ بقيم نقاط البيانات الجديدة مما يعني أيضا أنه سيتم تعيين قيمة لنقطة البيانات الجديدة استنادا إلى مدى تطابقها مع النقاط في مجموعة التدريب.
LassoLars	يتناسب نموذج Lasso مع "تراجع الزاوية الأقل" a.k.a. Lars. إنه نموذج خطي مدرب مع L1 قبل كمنتظم.
LightGBM	LightGBM هو إطار عمل لتعزيز التدرج يستخدم خوارزميات التعلم المستندة إلى الشجرة.
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.
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. إنها تقنية غير نشطة ولكنها قوية.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor هو نموذج التعلم الآلي الخاضع للإشراف باستخدام مجموعة من المتعلمين الأساسيين.