ClassificationModels type
定義 ClassificationModels 的值。
KnownClassificationModels 可與 ClassificationModel 交替使用，此列舉包含服務支援的已知值。
服務支援的已知值
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。
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。
MultinomialNaive) ：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。
BaioulliNaive Baies：多變數的貝氏機率分類器。
SVM：支援向量機器 (SVM) 是一種受監督的機器學習模型，使用分類演算法來處理兩組分類問題。
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。
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。
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，進一步表示新資料點會根據其與定型集中點的距離來指派值。
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。
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。
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。
LightGBM：LightGBM是使用樹狀結構式學習演算法的漸層提升架構。
GradientBoosting：將周學習者轉移至強式學習工具的技術稱為 Boosting。 漸層提升演算法程式適用于此執行理論。
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。
type ClassificationModels = string