你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

AutoMLVerticalRegressionModel 结构

定义

命名空间:

Azure.ResourceManager.MachineLearning.Models

程序集:

Azure.ResourceManager.MachineLearning.dll

包:

Azure.ResourceManager.MachineLearning v1.1.1

Source:

AutoMLVerticalRegressionModel.cs

AutoML 支持的所有回归模型的枚举。

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

type AutoMLVerticalRegressionModel = struct

Public Structure AutoMLVerticalRegressionModel
Implements IEquatable(Of AutoMLVerticalRegressionModel)

继承

ValueType

AutoMLVerticalRegressionModel

实现

IEquatable<AutoMLVerticalRegressionModel>

构造函数

AutoMLVerticalRegressionModel(String)

初始化 AutoMLVerticalRegressionModel 的新实例。

属性

DecisionTree	决策树是用于分类和回归任务的一种非参数监督式学习方法。 目标是创建一个模型，通过学习从数据特征推断的简单决策规则来预测目标变量的值。
ElasticNet	弹性网是一种常用的正则化线性回归类型，它结合了两种常用惩罚，特别是 L1 和 L2 惩罚函数。
ExtremeRandomTrees	极端树是一种集成机器学习算法，它结合了来自许多决策树的预测。 它与广泛使用的随机林算法相关。
GradientBoosting	将一周学习者转变为强学习者的技术称为“提升”。 梯度提升算法过程适用于此执行理论。
KNN	K-nearest neighbors (KNN) 算法使用“特征相似性”来预测新数据点的值，这进一步意味着，将根据新数据点与训练集中的点的匹配程度为新数据点赋值。
LassoLars	套索模型适合最小角度回归（即 Lars）。 它是一个线性模型，先使用 L1 作为正则器进行训练。
LightGBM	LightGBM 是一个梯度提升框架，它使用基于树的学习算法。
RandomForest	随机林是一种监督式学习算法。 它构建的“森林”是决策树的一个合奏，通常使用装袋方法进行训练。 bagging 方法的一般思路是，组合学习模型可以提高整体结果。
SGD	SGD：随机梯度下降是一种优化算法，通常用于机器学习应用程序，用于查找与预测输出和实际输出之间最适合的模型参数。 这是一种不精确但功能强大的技术。
XGBoostRegressor	XGBoostRegressor：极端梯度提升回归器是一种使用基础学习器合奏的监督式机器学习模型。

方法

Equals(AutoMLVerticalRegressionModel)	指示当前对象是否等于同一类型的另一个对象。
ToString()	返回此实例的完全限定类型名称。

运算符

Equality(AutoMLVerticalRegressionModel, AutoMLVerticalRegressionModel)	确定两个 AutoMLVerticalRegressionModel 值是否相同。
Implicit(String to AutoMLVerticalRegressionModel)	将字符串转换为 AutoMLVerticalRegressionModel。
Inequality(AutoMLVerticalRegressionModel, AutoMLVerticalRegressionModel)	确定两个 AutoMLVerticalRegressionModel 值是否不同。