ClassificationModels type
Define valores para ClassificationModels.
KnownClassificationModels pode ser usado de forma intercambiável com ClassificationModels, esse enum contém os valores conhecidos que o serviço suporta.
Valores conhecidos suportados pelo serviço
Regressão Logística: A regressão logística é uma técnica de classificação fundamental.
Pertence ao grupo dos classificadores lineares e é um pouco semelhante à regressão polinomial e linear.
A regressão logística é rápida e relativamente descomplicada, e é conveniente para você interpretar os resultados.
Embora seja essencialmente um método para classificação binária, também pode ser aplicado a problemas de várias classes.
SGD: SGD: Descida de gradiente estocástico é um algoritmo de otimização frequentemente usado em aplicações de aprendizado de máquina para encontrar os parâmetros do modelo que correspondem ao melhor ajuste entre as saídas previstas e reais.
MultinomialNaiveBayes: O classificador multinomial Naive Bayes é adequado para classificação com características discretas (por exemplo, contagem de palavras para classificação de texto).
A distribuição multinomial normalmente requer contagens de recursos inteiros. No entanto, na prática, contagens fracionárias como tf-idf também podem funcionar.
BernoulliNaiveBayes: Classificador Naive Bayes para modelos Bernoulli multivariados.
SVM: Uma máquina vetorial de suporte (SVM) é um modelo de aprendizado de máquina supervisionado que usa algoritmos de classificação para problemas de classificação de dois grupos.
Depois de fornecer a um modelo SVM conjuntos de dados de treinamento rotulados para cada categoria, eles podem categorizar o novo texto.
LinearSVM: Uma máquina de vetor de suporte (SVM) é um modelo de aprendizado de máquina supervisionado que usa algoritmos de classificação para problemas de classificação de dois grupos.
Depois de fornecer a um modelo SVM conjuntos de dados de treinamento rotulados para cada categoria, eles podem categorizar o novo texto.
O SVM linear tem melhor desempenho quando os dados de entrada são lineares, ou seja, os dados podem ser facilmente classificados desenhando a linha reta entre os valores classificados em um gráfico plotado.
KNN: O algoritmo K-nearest neighbors (KNN) usa 'similaridade de recursos' para prever os valores de novos pontos de dados, o que significa ainda que o novo ponto de dados receberá um valor com base em quão próximo ele corresponde aos pontos no conjunto de treinamento.
DecisionTree: As árvores de decisão são um método de aprendizagem supervisionada não paramétrico usado para tarefas de classificação e regressão.
O objetivo é criar um modelo que preveja o valor de uma variável de destino aprendendo regras de decisão simples inferidas a partir dos recursos de dados.
RandomForest: Random forest é um algoritmo de aprendizagem supervisionada.
A "floresta" que constrói, é um conjunto de árvores de decisão, geralmente treinadas com o método do "ensacamento".
A ideia geral do método de ensacamento é que uma combinação de modelos de aprendizagem aumenta o resultado geral.
ExtremeRandomTrees: Extreme Trees é um algoritmo de aprendizado de máquina que combina as previsões de muitas árvores de decisão. Está relacionado com o algoritmo de floresta aleatória amplamente utilizado.
LightGBM: LightGBM é uma estrutura de aumento de gradiente que usa algoritmos de aprendizagem baseados em árvore.
GradientBoosting: A técnica de transitar os alunos da semana para um aluno forte é chamada de Boosting. O processo do algoritmo de aumento de gradiente trabalha nesta teoria de execução.
XGBoostClassifier: XGBoost: algoritmo de aumento de gradiente extremo. Este algoritmo é usado para dados estruturados onde os valores da coluna de destino podem ser divididos em valores de classe distintos.
type ClassificationModels = string