RegressionModels type
A RegressionModels értékeit határozza meg.
KnownRegressionModels felcserélhető a RegressionModels szolgáltatással, ez a szám tartalmazza a szolgáltatás által támogatott ismert értékeket.
A szolgáltatás által támogatott ismert értékek
ElasticNet: A rugalmas háló a rendszeresített lineáris regresszió népszerű típusa, amely két népszerű büntetést kombinál, különösen az L1 és L2 büntetési függvényeket.
GradientBoosting: A hét tanulóinak egy erős tanulóba való átvitelének technikáját boosting-nak nevezzük. A színátmenet-növelő algoritmus folyamata ezen a végrehajtási elméleten működik.
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.
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.
LassoLars: A lasso modell illeszkedik a Legkisebb szögű regresszióhoz, más néven Larshoz. Ez egy lineáris modell, amely egy L1-előddel van betanítve rendszeresítőként.
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.
Ez egy nem praktikus, de hatékony technika.
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.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor egy felügyelt gépi tanulási modell, amely az alaptanulók együttesét használja.
type RegressionModels = string