ClassificationModels type

Define valores para ClassificationModels.
KnownClassificationModels se pueden usar indistintamente con ClassificationModels, esta enumeración contiene los valores conocidos que admite el servicio.

Valores conocidos admitidos por el servicio

LogisticRegression: la regresión logística es una técnica de clasificación fundamental. Pertenece al grupo de clasificadores lineales y es algo similar a la regresión polinómica y lineal. La regresión logística es rápida y relativamente sin complicar, y es conveniente que interprete los resultados. Aunque básicamente es un método para la clasificación binaria, también se puede aplicar a problemas de varias clases.
SGD: SGD: descenso de degradado estocástico es un algoritmo de optimización que se usa a menudo en las aplicaciones de aprendizaje automático para encontrar los parámetros del modelo que corresponden al mejor ajuste entre las salidas predichos y reales.
MultinomialNaiveBayes: el clasificador Bayes naive multinomial es adecuado para la clasificación con características discretas (por ejemplo, recuentos de palabras para la clasificación de texto). Normalmente, la distribución multinomial requiere recuentos de características enteras. Sin embargo, en la práctica, los recuentos fraccionarios como tf-idf también pueden funcionar.
BernoulliNaiveBayes: clasificador Bayes naive para modelos bernoulli multivariante.
SVM: una máquina de vectores de compatibilidad (SVM) es un modelo de aprendizaje automático supervisado que usa algoritmos de clasificación para problemas de clasificación de dos grupos. Después de proporcionar un conjunto de modelos SVM de datos de entrenamiento etiquetados para cada categoría, pueden clasificar el texto nuevo.
LinearSVM: una máquina de vectores de compatibilidad (SVM) es un modelo de aprendizaje automático supervisado que usa algoritmos de clasificación para problemas de clasificación de dos grupos. Después de proporcionar un conjunto de modelos SVM de datos de entrenamiento etiquetados para cada categoría, pueden clasificar el texto nuevo. La SVM lineal funciona mejor cuando los datos de entrada son lineales, es decir, los datos se pueden clasificar fácilmente dibujando la línea recta entre valores clasificados en un gráfico trazado.
KNN: el algoritmo K-nearest vecinos (KNN) usa "similitud de características" para predecir los valores de nuevos puntos de datos, lo que significa que al nuevo punto de datos se le asignará un valor en función de la estrecha relación con los puntos del conjunto de entrenamiento.
DecisionTree: los árboles de decisión son un método de aprendizaje supervisado no paramétrico que se usa para las tareas de clasificación y regresión. El objetivo es crear un modelo que prediga el valor de una variable de destino mediante el aprendizaje de reglas de decisión sencillas inferidas de las características de datos.
RandomForest: el bosque aleatorio es un algoritmo de aprendizaje supervisado. El "bosque" que crea, es un conjunto de árboles de decisión, normalmente entrenados con el método "etiquetado". La idea general del método de etiquetado es que una combinación de modelos de aprendizaje aumenta el resultado general.
ExtremeRandomTrees: Los árboles extremos son un algoritmo de aprendizaje automático de conjunto que combina las predicciones de muchos árboles de decisión. Está relacionado con el algoritmo de bosque aleatorio ampliamente utilizado.
LightGBM: LightGBM es un marco de potenciación de degradado que usa algoritmos de aprendizaje basados en árboles.
GradientBoosting: la técnica de transitar estudiantes de semana en un aprendiz fuerte se denomina Boosting. El proceso del algoritmo de aumento de degradado funciona en esta teoría de ejecución.
XGBoostClassifier: XGBoost: Algoritmo de potenciación de degradado extremo. Este algoritmo se usa para los datos estructurados en los que los valores de columna de destino se pueden dividir en valores de clase distintos.