KnownRegressionModels enum

Balíček:

@azure/arm-machinelearning

Známé hodnoty RegressionModels , které služba přijímá.

Pole

DecisionTree	Rozhodovací stromy jsou neparametrická metoda učení pod dohledem, 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.
ElasticNet	Elastická síť je oblíbený typ regularizované lineární regrese, která kombinuje dvě oblíbené sankce, konkrétně funkce L1 a L2.
ExtremeRandomTrees	Extreme Trees je souborový algoritmus strojového učení, který kombinuje předpovědi z mnoha rozhodovacích stromů. Souvisí s široce používaným algoritmem náhodné doménové struktury.
GradientBoosting	Technika přenosu týdenních učení do silného žáka se nazývá boosting. Proces algoritmu zvýšení gradientu pracuje na této teorii provádění.
KNN	Algoritmus K-nearest neighbors (KNN) používá "podobnost funkcí" 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.
LassoLars	Lasso model fit s nejmenším úhlem regrese ( Lars). Jedná se o lineární model trénovaný pomocí L1 a prior jako regularizátor.
LightGBM	LightGBM je architektura podporující přechod, která používá algoritmy stromového učení.
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.
SGD	SGD: Stochastický gradientní sestup je optimalizační algoritmus, který se často používá v aplikacích strojového učení k vyhledání parametrů modelu, které odpovídají nejlepšímu přizpůsobení predikovaných a skutečných výstupů. Je to nepřesná, ale výkonná technika.
XGBoostRegressor	XGBoostRegressor: Regresor s extrémním zvýšením gradientu je model strojového učení se supervizí, který využívá soubor základních učení.