RegressionModels type
Определяет значения для RegressionModels.
KnownRegressionModels можно использовать взаимозаменяемо с RegressionModels. Это перечисление содержит известные значения, поддерживаемые службой.
Известные значения, поддерживаемые службой
ElasticNet: Эластичная сеть — это популярный тип регуляризированной линейной регрессии, объединяющий две популярные штрафы, в частности функции штрафов L1 и L2.
GradientBoosting. Метод передачи учащихся недели в сильного учащегося называется Повышение. Алгоритм градиентного повышения работает на этой теории выполнения.
DecisionTree: деревья принятия решений — это непараметрический контролируемый метод обучения, используемый как для задач классификации, так и для регрессии.
Цель — создать модель, которая прогнозирует значение целевой переменной, изучая простые правила принятия решений, выведенные на основе признаков данных.
KNN. Алгоритм K-ближайших соседей (KNN) использует "сходство признаков" для прогнозирования значений новых точек данных, что означает, что новой точке данных будет присваиваться значение в зависимости от того, насколько близко она соответствует точкам в обучающем наборе.
LassoLars: модель лассо соответствует регрессии наименьшего угла, например Ларс. Это линейная модель, обученная с помощью ранее L1 в качестве регуляризатора.
SGD: SGD: стохастический градиентный спуск — это алгоритм оптимизации, который часто используется в приложениях машинного обучения для поиска параметров модели, которые соответствуют наилучшим образом между прогнозируемыми и фактическими выходными данными.
Это неточным, но мощным методом.
RandomForest: случайный лес — это контролируемый алгоритм обучения.
"Лес", который он создает, представляет собой совокупность деревьев принятия решений, обычно обученных с помощью метода bagging.
Общая идея метода bagging заключается в том, что сочетание моделей обучения увеличивает общий результат.
ExtremeRandomTrees: Extreme Trees — это ансамблейный алгоритм машинного обучения, объединяющий прогнозы из многих деревьев принятия решений. Она связана с широко используемым алгоритмом случайного леса.
LightGBM. LightGBM — это платформа повышения градиента, использующая алгоритмы обучения на основе дерева.
XGBoostRegressor: XGBoostRegressor: регрессор по повышению градиента — это контролируемая модель машинного обучения с использованием ансамбля базовых учащихся.
type RegressionModels = string