ClassificationModels type
ClassificationModels değerlerini tanımlar.
KnownClassificationModels ClassificationModels ile birlikte kullanılabilir, bu sabit listesi hizmetin desteklediği bilinen değerleri içerir.
Hizmet tarafından desteklenen bilinen değerler
LogisticRegression: Lojistik regresyon temel bir sınıflandırma tekniğidir.
Doğrusal sınıflandırıcı grubuna aittir ve polinomsal ve doğrusal regresyona biraz benzer.
Lojistik regresyon hızlı ve nispeten karmaşık değildir ve sonuçları yorumlamak sizin için uygundur.
Temelde ikili sınıflandırma için bir yöntem olsa da, çok sınıflı sorunlara da uygulanabilir.
SGD: SGD: Stokastik gradyan azalma genellikle makine öğrenmesi uygulamalarında tahmin edilen ve gerçek çıkışlar arasındaki en uygun model parametrelerini bulmak için kullanılan bir iyileştirme algoritmasıdır.
MultinomNaiveBayes: Çok terimli Naive Bayes sınıflandırıcısı, ayrık özelliklerle sınıflandırma için uygundur (örneğin, metin sınıflandırması için sözcük sayıları).
Çok terimli dağılım normalde tamsayı özellik sayılarını gerektirir. Ancak pratikte tf-idf gibi kesirli sayılar da çalışabilir.
BernoulliNaiveBayes: Çok değişkenli Bernoulli modelleri için Naive Bayes sınıflandırıcısı.
SVM: Destek vektör makinesi (SVM), iki gruplu sınıflandırma sorunları için sınıflandırma algoritmalarını kullanan denetimli bir makine öğrenmesi modelidir.
Her kategori için bir SVM model kümesi etiketli eğitim verileri verdikten sonra, yeni metinleri kategorilere ayırabilir.
LinearSVM: Destek vektör makinesi (SVM), iki gruplu sınıflandırma sorunları için sınıflandırma algoritmalarını kullanan denetimli bir makine öğrenmesi modelidir.
Her kategori için bir SVM model kümesi etiketli eğitim verileri verdikten sonra, yeni metinleri kategorilere ayırabilir.
Doğrusal SVM, giriş verileri doğrusal olduğunda en iyi performansı gösterir; yani veriler çizilmiş bir grafikteki sınıflandırılmış değerler arasında düz çizgi çizilerek kolayca sınıflandırılabilir.
KNN: K-nearest neighbors (KNN) algoritması, yeni veri noktalarının değerlerini tahmin etmek için 'özellik benzerliği' kullanır ve bu da yeni veri noktasına eğitim kümesindeki noktaları ne kadar yakından eşleştirdiği temelinde bir değer atanacağı anlamına gelir.
DecisionTree: Karar Ağaçları, hem sınıflandırma hem de regresyon görevleri için kullanılan parametrik olmayan denetimli bir öğrenme yöntemidir.
Amaç, veri özelliklerinden elde edilen basit karar kurallarını öğrenerek hedef değişkenin değerini tahmin eden bir model oluşturmaktır.
RandomForest: Rastgele orman denetimli bir öğrenme algoritmasıdır.
Inşa edilen "orman", genellikle "bagging" yöntemiyle eğitilen karar ağaçlarının bir grubudur.
Bagging yönteminin genel fikri, öğrenme modellerinin bir bileşiminin genel sonucu artırmasıdır.
ExtremeRandomTrees: Extreme Trees, birçok karar ağacından gelen tahminleri birleştiren bir grup makine öğrenmesi algoritmasıdır. Yaygın olarak kullanılan rastgele orman algoritmasıyla ilgilidir.
LightGBM: LightGBM, ağaç tabanlı öğrenme algoritmalarını kullanan gradyan artırma çerçevesidir.
GradientBoosting: Haftayı öğrenenleri güçlü bir öğrenciye geçirme tekniğine Boosting adı verilir. Gradyan artırma algoritması işlemi bu yürütme teorisi üzerinde çalışır.
XGBoostClassifier: XGBoost: Extreme Gradyan Artırma Algoritması. Bu algoritma, hedef sütun değerlerinin ayrı sınıf değerlerine bölünebildiği yapılandırılmış veriler için kullanılır.
type ClassificationModels = string