KnownRegressionModels enum

套件:

@azure/arm-machinelearning

RegressionModels 服務的已知值。

欄位

DecisionTree	判定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，藉由學習從數據特徵推斷的簡單決策規則來預測目標變數的值。
ElasticNet	彈性網是一種常見的正規化線性回歸類型，結合了兩個熱門的懲罰，特別是 L1 和 L2 懲罰函式。
ExtremeRandomTrees	極端樹狀結構是結合許多判定樹預測的合奏機器學習演算法。 它與廣泛使用的隨機樹系演算法有關。
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於此執行理論。
KNN	K 近鄰 （KNN） 演算法會使用「特徵相似度」來預測新數據點的值，這進一步表示會根據新數據點與定型集中點的接近程度來指派值。
LassoLars	套索模型符合最低角度回歸 a.k.a. Lars。 它是使用 L1 定型的線性模型，先前為正則化程式。
LightGBM	LightGBM 是使用樹狀結構式學習演算法的漸層提升架構。
RandomForest	隨機樹系是受監督的學習演算法。 它所建置的「樹系」是判定樹的合奏，通常採用「裝訂」方法進行訓練。 bagging 方法的一般概念是學習模型的組合會增加整體結果。
SGD	新元：隨機漸層下降是一種優化演算法，通常用於機器學習應用程式，以尋找對應到預測和實際輸出之間最適合的模型參數。 這是一種不精確的但功能強大的技術。
XGBoostRegressor	XGBoostRegressor：極端漸層提升回歸輸入器是使用基底學習者合奏的受監督機器學習模型。