KnownRegressionModels enum
Známé hodnoty RegressionModels, které služba přijímá.
Pole
| DecisionTree | Rozhodovací stromy představují metodu učení, která není parametrická pod dohledem, která se používá pro úlohy klasifikace i regrese. Cílem je vytvořit model, který predikuje hodnotu cílové proměnné učením jednoduchých rozhodovacích pravidel odvozených z datových funkcí. |
| ElasticNet | Elastická síť je oblíbený typ regularizované lineární regrese, který kombinuje dvě oblíbené sankce, konkrétně funkce trestů L1 a L2. |
| ExtremeRandomTrees | Extreme Trees je algoritmus strojového učení, který kombinuje předpovědi z mnoha rozhodovacích stromů. Souvisí s široce používaným algoritmem náhodné doménové struktury. |
| GradientBoosting | Technika průchodu týdenních učení do silného učení se nazývá Boosting. Proces přechodu podporující algoritmus funguje na této teorii provádění. |
| KNN | Algoritmus K-nejbližších sousedů (KNN) používá k predikci hodnot nových datových bodů "podobnost funkce", což dále znamená, že nový datový bod bude přiřazen hodnotu na základě toho, jak přesně odpovídá bodům v trénovací sadě. |
| LassoLars | Nepravidelný model se vejde s regresí nejmenšího úhlu a.k.a. Lars. Jedná se o lineární model vytrénovaný pomocí L1 předchozího jako regularizátoru. |
| LightGBM | LightGBM je architektura pro zvýšení přechodu, která používá algoritmy učení založené na stromech. |
| RandomForest | Náhodná doménová struktura je algoritmus učení pod dohledem. "Les", který vytváří, je soubor rozhodovacích stromů, obvykle trénovaný metodou "sáček". Obecná myšlenka metody baggingu spočívá v tom, že kombinace modelů učení zvyšuje celkový výsledek. |
| SGD | SGD: Stochastic gradientní sestup je optimalizační algoritmus, který se často používá v aplikacích strojového učení k vyhledání parametrů modelu, které odpovídají nejlepšímu přizpůsobení mezi predikovanými a skutečnými výstupy. Je to nevýkonná, ale výkonná technika. |
| XGBoostRegressor | XGBoostRegressor: Extrémní gradient boosting Regressor je model strojového učení pod dohledem využívající soubor základních učení. |