KnownRegressionModels enum

决策树是一种用于分类和回归任务的非参数监督式学习方法。 目标是创建一个模型，通过学习从数据特征推断的简单决策规则来预测目标变量的值。

弹性网是一种常用的正则化线性回归，它结合了两种常用点数，特别是 L1 和 L2 惩罚函数。

极端树是一种组合机器学习算法，它结合了许多决策树的预测。 它与广泛使用的随机林算法相关。

将周学习者转移到强学习者的技术称为“提升”。 梯度提升算法过程适用于此执行理论。

K 最近的邻居 （KNN） 算法使用“特征相似性”来预测新数据点的值，这进一步意味着新数据点将基于它与训练集中的点匹配程度分配一个值。

套索模型适合与最小角度回归 a.k.a. Lars。 它是使用 L1 训练的线性模型，之前用作正则器。

LightGBM 是一种梯度提升框架，它使用基于树的学习算法。

随机林是一种监督式学习算法。 它构建的“林”是决策树的合奏，通常使用“装袋”方法训练。 装袋方法的一般思路是，学习模型的组合会增加整体结果。

ZN：随机梯度下降是机器学习应用程序中常用的优化算法，用于查找与预测输出和实际输出之间的最佳拟合的模型参数。 这是一种无所事事但强大的技术。

XGBoostRegressor：极端梯度提升回归器是一种使用基础学习器合奏的监督机器学习模型。