RegressionModels type

Определяет значения для RegressionModels.
KnownRegressionModels можно использовать взаимозаменяемо с RegressionModels, этот перечисление содержит известные значения, поддерживаемые службой.

Известные значения, поддерживаемые службой

ElasticNet: эластичная сеть является популярным типом регулярной линейной регрессии, которая объединяет два популярных штрафа, в частности функции штрафа L1 и L2.
GradientBoosting: метод транзита еженедельных учащихся в сильный учащийся называется Повышение. Процесс повышения градиента работает над этой теорией выполнения.
DecisionTree: деревья принятия решений — это непараметрический защищенный метод обучения, используемый как для задач классификации, так и регрессии. Цель — создать модель, которая предсказывает значение целевой переменной, изучая простые правила принятия решений, полученные из функций данных.
KNN: алгоритм K-ближайших соседей (KNN) использует "сходство признаков" для прогнозирования значений новых точек данных, что означает, что новая точка данных будет назначена значение на основе того, насколько тесно он соответствует точкам в обучающем наборе.
LassoLars: модель Лассо соответствует наименее угловой регрессии a.k.a. Lars. Это линейная модель, обученная с помощью L1 до того, как регулярное средство.
: градиентный спуск стохастик — это алгоритм оптимизации, который часто используется в приложениях машинного обучения для поиска параметров модели, соответствующих оптимальному подходу между прогнозируемыми и фактическими выходными данными. Это нетекстный, но мощный метод.
RandomForest: случайный лес — это защищенный алгоритм обучения. "лес" он строит, является ансамблем деревьев принятия решений, как правило, обучен с помощью метода "bagging". Общая идея метода мешка заключается в том, что сочетание моделей обучения увеличивает общий результат.
ExtremeRandomTrees: экстремальные деревья — это алгоритм машинного обучения ансамбля, который объединяет прогнозы из многих деревьев принятия решений. Он связан с широко используемым алгоритмом случайного леса.
LightGBM: LightGBM — это градиентная платформа повышения, использующая алгоритмы обучения на основе дерева.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor является защищенной моделью машинного обучения с помощью ансамбля базовых учащихся.