ClassificationModels type
A ClassificationModels értékeit határozza meg.
KnownClassificationModels a ClassificationModels használatával felcserélhető, ez a szám tartalmazza a szolgáltatás által támogatott ismert értékeket.
A szolgáltatás által támogatott ismert értékek
LogisticRegression: A logisztikai regresszió alapvető besorolási technika.
A lineáris osztályozók csoportjába tartozik, és némileg hasonlít a polinomokhoz és a lineáris regresszióhoz.
A logisztikai regresszió gyors és viszonylag egyszerű, és kényelmesen értelmezheti az eredményeket.
Bár alapvetően a bináris besorolás módszere, többosztályos problémákra is alkalmazható.
SGD: SGD: A sztochasztikus gradiens-süllyedés egy optimalizálási algoritmus, amelyet a gépi tanulási alkalmazások gyakran használnak az előrejelzett és a tényleges kimenetek közötti legjobb illeszkedésnek megfelelő modellparaméterek megtalálásához.
MultinomialNaiveBayes: A többnomiális Naive Bayes-osztályozó különálló jellemzőkkel (például szövegbesorolás szószámával) való besorolásra alkalmas.
A többnomiális eloszlás általában egész számokat igényel. A gyakorlatban azonban a törtszám, például a tf-idf is működhet.
BernoulliNaiveBayes: Naive Bayes osztályozó többváltozós Bernoulli modellekhez.
SVM: A támogatási vektorgép (SVM) egy felügyelt gépi tanulási modell, amely besorolási algoritmusokat használ a kétcsoportos besorolási problémákhoz.
Miután egy SVM-modellkészletet adott meg címkézett betanítási adatokkal az egyes kategóriákhoz, kategorizálhatják az új szöveget.
LinearSVM: A támogató vektorgép (SVM) egy felügyelt gépi tanulási modell, amely besorolási algoritmusokat használ a kétcsoportos besorolási problémákhoz.
Miután egy SVM-modellkészletet adott meg címkézett betanítási adatokkal az egyes kategóriákhoz, kategorizálhatják az új szöveget.
A lineáris SVM akkor teljesít a legjobban, ha a bemeneti adatok lineárisak, vagyis az adatok egyszerűen besorolhatók úgy, hogy egyenes vonalat rajzolnak a minősített értékek között egy ábrázolt gráfon.
KNN-: A K-legközelebbi szomszédok (KNN) algoritmus a "funkció-hasonlóság" használatával előrejelzi az új adatpontok értékeit, ami azt is jelenti, hogy az új adatponthoz egy olyan érték lesz hozzárendelve, amely a betanítási csoportban lévő pontokhoz való szorosan illeszkedik.
DecisionTree: A döntési fák a besorolási és regressziós feladatokhoz egyaránt használt nem parametrikus felügyelt tanulási módszer.
A cél egy olyan modell létrehozása, amely előrejelzi a célváltozó értékét az adatfunkciókból levont egyszerű döntési szabályok elsajátításával.
RandomForest: A Véletlenszerű erdő egy felügyelt tanulási algoritmus.
Az általa épített "erdő" döntési fák együttese, amely általában a "zsákolás" módszerrel van betanítve.
A zsákolásos módszer általános elképzelése, hogy a tanulási modellek kombinációja növeli az általános eredményt.
ExtremeRandomTrees: Az Extreme Trees egy együttes gépi tanulási algoritmus, amely számos döntési fa előrejelzéseit egyesíti. Ez a széles körben használt véletlenszerű erdő algoritmushoz kapcsolódik.
LightGBM: A LightGBM egy faalapú tanulási algoritmusokat használó színátmenet-növelő keretrendszer.
GradientBoosting: A hét tanulóinak egy erős tanulóba való átvitelének technikáját boosting-nak nevezzük. A színátmenet-növelő algoritmus folyamata ezen a végrehajtási elméleten működik.
XGBoostClassifier: XGBoost: Extrém gradiens növelő algoritmus. Ez az algoritmus olyan strukturált adatokhoz használható, amelyekben a céloszlop értékei különböző osztályértékekre oszthatók.
type ClassificationModels = string