ClassificationModels type
Define valores para ClassificationModels.
KnownClassificationModels se puede usar indistintamente con ClassificationModels; esta enumeración contiene los valores conocidos que admite el servicio.
Valores conocidos admitidos por el servicio
LogisticRegression: la regresión logística es una técnica de clasificación fundamental.
Pertenece al grupo de clasificadores lineales y es algo similar a la regresión polinómica y lineal.
La regresión logística es rápida y relativamente sin complicaciones, y es conveniente interpretar los resultados.
Aunque básicamente es un método para la clasificación binaria, también se puede aplicar a problemas de varias clases.
SGD: SGD: descenso de degradado estocástico es un algoritmo de optimización que se usa a menudo en las aplicaciones de aprendizaje automático para encontrar los parámetros del modelo que corresponden al mejor ajuste entre las salidas previstas y reales.
MultinomialNaiveBayes: el clasificador Bayes naive multinomial es adecuado para la clasificación con características discretas (por ejemplo, recuentos de palabras para la clasificación de texto).
Normalmente, la distribución multinomial requiere recuentos de características de enteros. Sin embargo, en la práctica, los recuentos fraccionarios como tf-idf también pueden funcionar.
BernoulliNaiveBayes: clasificador Bayes naive para modelos bernoulli multivariante.
SVM: una máquina de vectores de compatibilidad (SVM) es un modelo de aprendizaje automático supervisado que usa algoritmos de clasificación para problemas de clasificación de dos grupos.
Después de dar a un modelo SVM conjuntos de datos de entrenamiento etiquetados para cada categoría, pueden clasificar el texto nuevo.
LinearSVM: una máquina de vectores de compatibilidad (SVM) es un modelo de aprendizaje automático supervisado que usa algoritmos de clasificación para problemas de clasificación de dos grupos.
Después de dar a un modelo SVM conjuntos de datos de entrenamiento etiquetados para cada categoría, pueden clasificar el texto nuevo.
La SVM lineal funciona mejor cuando los datos de entrada son lineales, es decir, los datos se pueden clasificar fácilmente dibujando la línea recta entre valores clasificados en un gráfico trazado.
KNN: el algoritmo de vecinos más cercanos (KNN) usa "similitud de características" para predecir los valores de los nuevos puntos de datos, lo que significa aún más que se asignará un valor al nuevo punto de datos en función de la estrecha coincidencia con los puntos del conjunto de entrenamiento.
DecisionTree: los árboles de decisión son un método de aprendizaje supervisado no paramétrico que se usa para las tareas de clasificación y regresión.
El objetivo es crear un modelo que prediga el valor de una variable de destino mediante el aprendizaje de reglas de decisión sencillas inferidas de las características de datos.
RandomForest: El bosque aleatorio es un algoritmo de aprendizaje supervisado.
El "bosque" que crea es un conjunto de árboles de decisión, normalmente entrenados con el método "etiquetado".
La idea general del método de etiquetado es que una combinación de modelos de aprendizaje aumenta el resultado general.
ExtremeRandomTrees: Los árboles extremos son un algoritmo de aprendizaje automático de conjunto que combina las predicciones de muchos árboles de decisión. Está relacionado con el algoritmo de bosque aleatorio ampliamente utilizado.
LightGBM: LightGBM es un marco de potenciación de degradado que usa algoritmos de aprendizaje basados en árboles.
GradientBoosting: la técnica de transitar alumnos de la semana en un aprendiz fuerte se denomina Potenciación. El proceso del algoritmo de potenciación de degradado funciona en esta teoría de la ejecución.
XGBoostClassifier: XGBoost: Algoritmo de potenciación de degradado extremo. Este algoritmo se usa para datos estructurados en los que los valores de columna de destino se pueden dividir en valores de clase distintos.
type ClassificationModels = string