ClassificationModels type
Definuje hodnoty pro ClassificationModels.
KnownClassificationModels lze použít zaměnitelně s ClassificationModels, tento výčet obsahuje známé hodnoty, které služba podporuje.
Známé hodnoty podporované službou
LogisticRegression: Logistická regrese je základní klasifikační technika.
Patří do skupiny lineárních klasifikátorů a je do jisté míry podobný polynomické a lineární regresi.
Logistická regrese je rychlá a relativně nekomplikovaná a je vhodná pro interpretaci výsledků.
I když se v podstatě jedná o metodu pro binární klasifikaci, dá se použít i u problémů s více třídami.
SGD: SGD: Stochastický gradientní sestup je optimalizační algoritmus, který se často používá v aplikacích strojového učení k vyhledání parametrů modelu, které odpovídají nejlepšímu přizpůsobení mezi predikovanými a skutečnými výstupy.
MultinomialNaiveBayes: Multinomický klasifikátor Naive Bayes je vhodný pro klasifikaci s diskrétními funkcemi (např. počet slov pro klasifikaci textu).
Multinomické rozdělení obvykle vyžaduje celočíselné počty funkcí. V praxi ale můžou fungovat i počty zlomků, jako je tf-idf.
BernoulliNaiveBayes: Klasifikátor Naive Bayes pro vícerozměrné Bernoulli modely.
SVM: Metoda SVM (Support Vector Machine) je model strojového učení se supervizí, který používá klasifikační algoritmy pro problémy klasifikace se dvěma skupinami.
Po poskytnutí sady modelů SVM s označenými trénovacími daty pro každou kategorii budou moct kategorizovat nový text.
LinearSVM: Metoda SVM (Support Vector Machine) je model strojového učení pod dohledem, který používá klasifikační algoritmy pro problémy klasifikace se dvěma skupinami.
Po poskytnutí sady modelů SVM s označenými trénovacími daty pro každou kategorii budou moct kategorizovat nový text.
Lineární SVM funguje nejlépe, když jsou vstupní data lineární, tj. data lze snadno klasifikovat nakreslením přímky mezi klasifikovanými hodnotami v vykreslení grafu.
KNN: Algoritmus K-nearest neighbors (KNN) používá "podobnost vlastností" k predikci hodnot nových datových bodů, což dále znamená, že novému datovému bodu se přiřadí hodnota na základě toho, jak přesně odpovídá bodům v trénovací sadě.
DecisionTree: Rozhodovací stromy jsou neparametrická metoda učení se supervizí, která se používá pro úlohy klasifikace i regrese.
Cílem je vytvořit model, který předpovídá hodnotu cílové proměnné tím, že se naučí jednoduchá rozhodovací pravidla odvozená z datových funkcí.
RandomForest: Náhodný les je algoritmus učení se supervizí.
"Les", který vytváří, je soubor rozhodovacích stromů, který se obvykle trénuje metodou "bagging".
Obecná myšlenka metody bagging je taková, že kombinace modelů učení zvyšuje celkový výsledek.
ExtremeRandomTrees: Extreme Trees je algoritmus strojového učení, který kombinuje předpovědi z mnoha rozhodovacích stromů. Souvisí s široce používaným algoritmem náhodné doménové struktury.
LightGBM: LightGBM je architektura podporující přechod, která používá algoritmy stromového učení.
GradientBoosting: Technika přenosu týdenních učení do silného žáka se nazývá boosting. Proces algoritmu zvýšení gradientu pracuje na této teorii provádění.
XGBoostClassifier: XGBoost: Algoritmus zvýšení extrémního gradientu. Tento algoritmus se používá pro strukturovaná data, kde je možné hodnoty cílových sloupců rozdělit do odlišných hodnot třídy.
type ClassificationModels = string