KnownRegressionModels enum

Paket:

@azure/arm-machinelearning

Bekannte Werte von RegressionModels , die der Dienst akzeptiert.

Felder

DecisionTree	Entscheidungsstrukturen sind eine nicht parametrische beaufsichtigte Lernmethode, die sowohl für Klassifizierungs- als auch Für Regressionsaufgaben verwendet wird. Das Ziel besteht darin, ein Modell zu erstellen, das den Wert einer Zielvariable vorhersagt, indem einfache Entscheidungsregeln gelernt werden, die aus den Datenfeatures abgeleitet werden.
ElasticNet	Elastisches Netz ist eine beliebte Art der regularisierten linearen Regression, die zwei beliebte Strafen kombiniert, insbesondere die Funktionen L1 und L2.
ExtremeRandomTrees	Extreme Trees ist ein Ensemble-Algorithmus für maschinelles Lernen, der die Vorhersagen aus vielen Entscheidungsstrukturen kombiniert. Es steht im Zusammenhang mit dem weit verbreiteten Zufallsgesamtalgorithmus.
GradientBoosting	Die Technik der Übertragung von Wochenlernern in einen starken Lernenden heißt Boosting. Der Algorithmus zur Farbverlaufsaufhebung funktioniert auf dieser Ausführungstheorie.
KNN	Der KNN-Algorithmus (K-nearest neighbors) verwendet "Featureähnlichkeit", um die Werte neuer Datenpunkte vorherzusagen, was weiter bedeutet, dass dem neuen Datenpunkt ein Wert zugewiesen wird, basierend darauf, wie eng er den Punkten im Trainingssatz entspricht.
LassoLars	Lassomodell passt mit Least Angle Regression a.k.a. Lars. Es handelt sich um ein lineares Modell, das mit einem L1 vor dem Regularisierer trainiert wurde.
LightGBM	LightGBM ist ein Framework zur Farbverlaufssteigerung, das strukturbasierte Lernalgorithmen verwendet.
RandomForest	Zufällige Gesamtstruktur ist ein überwachter Lernalgorithmus. Der "Wald", den er aufbaut, ist ein Ensemble von Entscheidungsbäumen, die normalerweise mit der "Bagging"-Methode trainiert werden. Die allgemeine Idee der Bagging-Methode ist, dass eine Kombination von Lernmodellen das Gesamtergebnis erhöht.
SGD	SGD: Stochastischer Gradientenabstieg ist ein Optimierungsalgorithmus, der häufig in Machine Learning-Anwendungen verwendet wird, um die Modellparameter zu finden, die der besten Anpassung zwischen vorhergesagten und tatsächlichen Ausgaben entsprechen. Es ist eine ungenaue, aber leistungsstarke Technik.
XGBoostRegressor	XGBoostRegressor: Der Extreme Gradient Boosting Regressor ist ein überwachtes Machine Learning-Modell mit einem Ensemble von Basislern.