KnownClassificationModels enum

套件:

@azure/arm-machinelearning

服務接受的 ClassificationModel 已知值。

欄位

BernoulliNaiveBayes	多變數的貝氏機率分類器。
DecisionTree	決策樹是用於分類和回歸工作的非參數監督式學習方法。 目標是建立模型，藉由學習從資料特徵推斷的簡單決策規則，來預測目標變數的值。
ExtremeRandomTrees	極端樹狀結構是結合許多決策樹預測的整合機器學習演算法。 它與廣泛使用的隨機樹系演算法相關。
GradientBoosting	將周學習者轉移至強式學習者的技術稱為「提升」。 漸層提升演算法程式適用于此執行理論。
KNN	K 近鄰 (KNN) 演算法會使用「特徵相似度」來預測新資料點的值，進一步表示會根據新資料點與定型集中的點相符程度來指派值。
LightGBM	LightGBM 是使用樹狀結構式學習演算法的漸層提升架構。
LinearSVM	支援向量機器 (SVM) 是一種受監督的機器學習模型，會針對兩組分類問題使用分類演算法。 為每個類別提供一組已加上標籤的定型資料 SVM 模型之後，就可以分類新的文字。 當輸入資料是線性時，線性 SVM 會執行最佳效能，亦即，藉由在繪圖圖形上繪製分類值之間的直線，即可輕鬆地分類資料。
LogisticRegression	羅吉斯回歸是基本分類技術。 它屬於線性分類器群組，與多項式和線性回歸稍有相似。 羅吉斯回歸速度很快且相對不復雜，而且方便您解譯結果。 雖然基本上是二元分類的方法，但它也可以套用至多類別問題。
MultinomialNaiveBayes	多項貝氏分類器適用于具有離散特徵的分類 (例如文字分類的字數) 。 多項分配通常需要整數特徵計數。 不過，實際上，tf-idf 之類的小數計數也可能可行。
RandomForest	隨機樹系是監督式學習演算法。 其所建置的「樹系」是一組決策樹，通常是使用「標記」方法定型。 標記方法的一般概念是學習模型的組合會增加整體結果。
SGD	SGD：隨機梯度下降是一種優化演算法，通常用於機器學習應用程式，以尋找對應到預測與實際輸出之間最適合的模型參數。
SVM	支援向量機器 (SVM) 是一種受監督的機器學習模型，會針對兩組分類問題使用分類演算法。 為每個類別提供一組已加上標籤的定型資料 SVM 模型之後，就可以分類新的文字。
XGBoostClassifier	XGBoost：極端漸層提升演算法。 此演算法用於結構化資料，其中目標資料行值可以分割成不同的類別值。