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。

ClassificationModel 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:

ClassificationModel.cs

AutoML 支持的所有分类模型的枚举。

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

type ClassificationModel = struct

Public Structure ClassificationModel
Implements IEquatable(Of ClassificationModel)

继承

ValueType

ClassificationModel

实现

IEquatable<ClassificationModel>

构造函数

ClassificationModel(String)

初始化 ClassificationModel 的新实例。

属性

BernoulliNaiveBayes	多变量伯努利模型的 Naive Bayes 分类器。
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。
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。
LightGBM	LightGBM 是一个梯度提升框架，它使用基于树的学习算法。
LinearSVM	支持向量机 (SVM) 是一种监督式机器学习模型，它使用分类算法处理双组分类问题。 为每个类别提供一组 SVM 模型标记训练数据后，它们能够对新文本进行分类。 当输入数据是线性的时，线性 SVM 性能最佳，也就是说，通过在绘图图上绘制分类值之间的直线，可以轻松对数据进行分类。
LogisticRegression	逻辑回归是一种基本分类技术。 它属于线性分类器组，与多项式和线性回归有点相似。 逻辑回归快速且相对简单，便于解释结果。 虽然它本质上是二元分类的一种方法，但它也可以应用于多类问题。
MultinomialNaiveBayes	多项式 Naive Bayes 分类器适用于具有离散特征 (的分类，例如文本分类) 的字数计数。 多项式分布通常需要整数特征计数。 但是，在实践中，tf-idf 等小数计数也可能起作用。
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。
SVM	支持向量机 (SVM) 是一种监督式机器学习模型，它使用分类算法处理双组分类问题。 为每个类别提供一组 SVM 模型标记训练数据后，它们能够对新文本进行分类。
XGBoostClassifier	XGBoost：极端梯度提升算法。 此算法用于结构化数据，其中目标列值可以划分为不同的类值。

方法

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