ClassificationModel Estrutura

Definição

Namespace:

Azure.ResourceManager.MachineLearning.Models

Assembly:

Azure.ResourceManager.MachineLearning.dll

Pacote:

Azure.ResourceManager.MachineLearning v1.1.1

Origem:

ClassificationModel.cs

Enumeração para todos os modelos de classificação compatíveis com o AutoML.

public readonly struct ClassificationModel : IEquatable<Azure.ResourceManager.MachineLearning.Models.ClassificationModel>

type ClassificationModel = struct

Public Structure ClassificationModel
Implements IEquatable(Of ClassificationModel)

Herança

ValueType

ClassificationModel

Implementações

IEquatable<ClassificationModel>

Construtores

ClassificationModel(String)

Inicializa uma nova instância de ClassificationModel.

Propriedades

BernoulliNaiveBayes	Classificador Naive Bayes para modelos Bernoulli multivariados.
DecisionTree	Árvores de Decisão são um método de aprendizado supervisionado não paramétrico usado para tarefas de classificação e regressão. O objetivo é criar um modelo que preveja o valor de uma variável de destino aprendendo regras de decisão simples inferidas dos recursos de dados.
ExtremeRandomTrees	Extreme Trees é um algoritmo de aprendizado de máquina ensemble que combina as previsões de muitas árvores de decisão. Ele está relacionado ao algoritmo de floresta aleatória amplamente usado.
GradientBoosting	A técnica de transitar alunos da semana para um aluno forte é chamada de Boosting. O processo de algoritmo de aumento de gradiente funciona nessa teoria da execução.
KNN	O algoritmo KNN (K-nearest neighbors) usa "similaridade de recurso" para prever os valores de novos pontos de dados, o que significa ainda que o novo ponto de dados receberá um valor com base na proximidade com que ele corresponde aos pontos no conjunto de treinamento.
LightGBM	LightGBM é uma estrutura de aumento de gradiente que usa algoritmos de aprendizado baseados em árvore.
LinearSVM	Um SVM (computador vetor de suporte) é um modelo de machine learning supervisionado que usa algoritmos de classificação para problemas de classificação de dois grupos. Depois de fornecer a um modelo SVM conjuntos de dados de treinamento rotulados para cada categoria, eles são capazes de categorizar o novo texto. A SVM linear tem o melhor desempenho quando os dados de entrada são lineares, ou seja, os dados podem ser classificados facilmente desenhando a linha reta entre valores classificados em um grafo plotado.
LogisticRegression	A regressão logística é uma técnica de classificação fundamental. Ele pertence ao grupo de classificadores lineares e é um pouco semelhante à regressão polinomial e linear. A regressão logística é rápida e relativamente descomplicada e é conveniente interpretar os resultados. Embora seja essencialmente um método para classificação binária, ele também pode ser aplicado a problemas de várias classes.
MultinomialNaiveBayes	O classificador naive bayes multinomial é adequado para classificação com recursos discretos (por exemplo, contagens de palavras para classificação de texto). A distribuição multinomial normalmente requer contagens de recursos inteiros. No entanto, na prática, contagens fracionárias, como tf-idf, também podem funcionar.
RandomForest	A floresta aleatória é um algoritmo de aprendizado supervisionado. A "floresta" que ela constrói, é um conjunto de árvores de decisão, geralmente treinadas com o método bagging. A ideia geral do método de ensacar é que uma combinação de modelos de aprendizado aumenta o resultado geral.
SGD	SGD: descendente de gradiente estocástico é um algoritmo de otimização geralmente usado em aplicativos de machine learning para localizar os parâmetros de modelo que correspondem ao melhor ajuste entre saídas previstas e reais.
SVM	Um SVM (computador vetor de suporte) é um modelo de machine learning supervisionado que usa algoritmos de classificação para problemas de classificação de dois grupos. Depois de fornecer a um modelo SVM conjuntos de dados de treinamento rotulados para cada categoria, eles são capazes de categorizar o novo texto.
XGBoostClassifier	XGBoost: algoritmo de aumento de gradiente extremo. Esse algoritmo é usado para dados estruturados em que os valores de coluna de destino podem ser divididos em valores de classe distintos.

Métodos

Equals(ClassificationModel)	Indica se o objeto atual é igual a outro objeto do mesmo tipo.
ToString()	Retorna o nome do tipo totalmente qualificado dessa instância.

Operadores

Equality(ClassificationModel, ClassificationModel)	Determina se dois ClassificationModel valores são os mesmos.
Implicit(String to ClassificationModel)	Converte uma cadeia de caracteres em um ClassificationModel.
Inequality(ClassificationModel, ClassificationModel)	Determina se dois ClassificationModel valores não são os mesmos.