KnownClassificationModels enum

Balíček:

@azure/arm-machinelearning

Známé hodnoty ClassificationModels, které služba přijímá.

Pole

BernoulliNaiveBayes	Klasifikátor Naive Bayes pro multivariate Bernoulli modely.
DecisionTree	Rozhodovací stromy představují metodu učení, která není parametrická pod dohledem, která se používá pro úlohy klasifikace i regrese. Cílem je vytvořit model, který predikuje hodnotu cílové proměnné učením jednoduchých rozhodovacích pravidel odvozených z datových funkcí.
ExtremeRandomTrees	Extreme Trees je algoritmus strojového učení, který kombinuje předpovědi z mnoha rozhodovacích stromů. Souvisí s široce používaným algoritmem náhodné doménové struktury.
GradientBoosting	Technika průchodu týdenních učení do silného učení se nazývá Boosting. Proces přechodu podporující algoritmus funguje na této teorii provádění.
KNN	Algoritmus K-nejbližších sousedů (KNN) používá k predikci hodnot nových datových bodů "podobnost funkce", což dále znamená, že nový datový bod bude přiřazen hodnotu na základě toho, jak přesně odpovídá bodům v trénovací sadě.
LightGBM	LightGBM je architektura pro zvýšení přechodu, která používá algoritmy učení založené na stromech.
LinearSVM	Podpůrný vektorový stroj (SVM) je model strojového učení pod dohledem, který používá klasifikační algoritmy pro problémy klasifikace se dvěma skupinami. Po udělení 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 vykresleném grafu.
LogisticRegression	Logistická regrese je základní klasifikační technika. Patří do skupiny lineárních klasifikátorů a je poněkud podobná polynomické a lineární regresi. Logistická regrese je rychlá a relativně nekomplikovaná a je vhodná pro interpretaci výsledků. I když se jedná v podstatě o metodu pro binární klasifikaci, lze ji použít také u problémů s více třídami.
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 zlomkové počty, jako je tf-idf.
RandomForest	Náhodná doménová struktura je algoritmus učení pod dohledem. "Les", který vytváří, je soubor rozhodovacích stromů, obvykle trénovaný metodou "sáček". Obecná myšlenka metody baggingu spočívá v tom, že kombinace modelů učení zvyšuje celkový výsledek.
SGD	SGD: Stochastic 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.
SVM	Podpůrný vektorový stroj (SVM) je model strojového učení pod dohledem, který používá klasifikační algoritmy pro problémy klasifikace se dvěma skupinami. Po udělení sady modelů SVM s označenými trénovacími daty pro každou kategorii budou moct kategorizovat nový text.
XGBoostClassifier	XGBoost: Extrémní gradient boosting algoritmus. Tento algoritmus se používá pro strukturovaná data, kde je možné hodnoty cílového sloupce rozdělit na odlišné hodnoty tříd.