KnownClassificationModels enum

Csomag:

@azure/arm-machinelearning

A ClassificationModels ismert értékei, amelyeket a szolgáltatás elfogad.

Mezők

BernoulliNaiveBayes	Naive Bayes-osztályozó többváltozós Bernoulli-modellekhez.
DecisionTree	A döntési fák egy nem parametrikus felügyelt tanulási módszer, amely mind a besorolási, mind a regressziós feladatokhoz használható. A cél egy olyan modell létrehozása, amely előrejelzi a célváltozó értékét az adatfunkciókból levont egyszerű döntési szabályok elsajátításával.
ExtremeRandomTrees	Az Extreme Trees egy együttes gépi tanulási algoritmus, amely számos döntési fa előrejelzéseit egyesíti. Ez a széles körben használt véletlenszerű erdő algoritmushoz kapcsolódik.
GradientBoosting	A heti tanulók erős tanulóba való átvitelének technikáját a Boostingnak nevezzük. A színátmenet-növelő algoritmus folyamata ezen a végrehajtási elméleten működik.
KNN	A K-legközelebbi szomszéd (KNN) algoritmus a "funkció-hasonlóság" használatával előrejelzi az új adatpontok értékeit, ami azt is jelenti, hogy az új adatponthoz a betanítási csoport pontjainak megfelelő érték lesz hozzárendelve.
LightGBM	A LightGBM egy gradiens növelő keretrendszer, amely faalapú tanulási algoritmusokat használ.
LinearSVM	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. 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.
LogisticRegression	A logisztikai regresszió egy 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.
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.
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.
SGD	SGD: A sztochasztikus gradiens-süllyedés egy optimalizálási algoritmus, amelyet gyakran használnak gépi tanulási alkalmazásokban az előrejelzett és a tényleges kimenetek közötti legjobb illeszkedésnek megfelelő modellparaméterek megtalálásához.
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.
XGBoostClassifier	XGBoost: Extrém színátmenet-növelő algoritmus. Ez az algoritmus olyan strukturált adatokhoz használható, amelyekben a céloszlop értékei különböző osztályértékekre oszthatók.