KnownRegressionModels enum
Alanlar
| 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. |
| ElasticNet | Elastik ağ, özellikle L1 ve L2 ceza işlevleri olmak üzere iki popüler cezayı birleştiren popüler bir düzenli doğrusal regresyon türüdür. |
| ExtremeRandomTrees | Extreme Trees, birçok karar ağacından gelen tahminleri birleştiren bir grup makine öğrenmesi algoritmasıdır. Yaygın olarak kullanılan rastgele orman algoritmasıyla ilgilidir. |
| GradientBoosting | Hafta öğrencilerini güçlü bir öğrenciye geçirme tekniğine Boosting adı verilir. Gradyan artırma algoritması işlemi bu yürütme teorisi üzerinde çalışır. |
| KNN | K-nearest neighbors (KNN) algoritması, yeni veri noktalarının değerlerini tahmin etmek için 'özellik benzerliği' kullanır ve bu da yeni veri noktasına eğitim kümesindeki noktaların ne kadar yakın olduğuna bağlı olarak bir değer atanacağı anlamına gelir. |
| LassoLars | Kement modeli En Küçük Açı Regresyonu a.k.a. Lars ile uyum sağlar. Normalleştirici olarak önce L1 ile eğitilen bir Doğrusal Modeldir. |
| LightGBM | LightGBM, ağaç tabanlı öğrenme algoritmaları kullanan bir gradyan artırma çerçevesidir. |
| 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. |
| SGD | SGD: Stokastik gradyan azalma genellikle makine öğrenmesi uygulamalarında tahmin edilen ve gerçek çıkışlar arasında en uygun olan model parametrelerini bulmak için kullanılan bir iyileştirme algoritmasıdır. Bu basit ama güçlü bir teknik. |
| XGBoostRegressor | XGBoostRegressor: Extreme Gradyan Artırma Regresörü, temel öğrenci grubu kullanan denetimli bir makine öğrenmesi modelidir. |