RegressionModels type
تعريف قيم RegressionModels.
KnownRegressionModels يمكن استخدامها بالتبادل مع RegressionModels، يحتوي هذا التعداد على القيم المعروفة التي تدعمها الخدمة.
القيم المعروفة التي تدعمها الخدمة
ElasticNet: شبكة مرنة هي نوع شائع من الانحدار الخطي المنتظم الذي يجمع بين اثنتين من العقوبات الشائعة، وتحديدا وظائف عقوبة L1 وL2.
GradientBoosting: تسمى تقنية عبور متعلمي الأسبوع إلى متعلم قوي تعزيز. تعمل عملية الخوارزمية المعززة للتدرج على نظرية التنفيذ هذه.
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.
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.
LassoLars: يتناسب نموذج Lasso مع تراجع الزاوية الأقل a.k.a. Lars. إنه نموذج خطي مدرب مع L1 قبل كمنتظم.
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.
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.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor هو نموذج تعلم آلي خاضع للإشراف باستخدام مجموعة من المتعلمين الأساسيين.
type RegressionModels = string