RegressionModels type
定義 RegressionModel 的值。
KnownRegressionModels 可以與 RegressionModels 交換使用，此列舉包含服務支援的已知值。
服務支援的已知值
ElasticNet：彈性net 是一種常用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。
GradientBoosting：將周學習者傳輸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。
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。
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，這進一步表示新資料點會根據其與定型集中的點相近程度來指派值。
LassoLars：Lasso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，先前為正規化程式。
SGD：SGD：隨機漸層下降是一種優化演算法，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。
這是一種不盡但功能強大的技術。
RandomForest：隨機樹系是受監督的學習演算法。
其所建置的「樹系」是決策樹的一組，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可整合機器學習演算法。 它與廣泛使用的隨機樹系演算法有關。
LightGBM：LightGBM是使用樹狀結構式學習演算法的漸層提升架構。
XGBoostRegressor：XGBoostRegressor：極端漸層提升回歸輸入器是一種使用基底學習者集合的受監督機器學習模型。
type RegressionModels = string