AutoMLVerticalRegressionModel Struktur

Initialisiert eine neue Instanz von AutoMLVerticalRegressionModel.

Entscheidungsstrukturen sind eine nicht parametrische beaufsichtigte Lernmethode, die sowohl für Klassifizierungs- als auch für Regressionsaufgaben verwendet wird. Das Ziel besteht darin, ein Modell zu erstellen, das den Wert einer Zielvariable vorhersagt, indem einfache Entscheidungsregeln gelernt werden, die aus den Datenfeatures abgeleitet werden.

Elastisches Netz ist eine beliebte Art der regularisierten linearen Regression, die zwei beliebte Strafen kombiniert, insbesondere die Funktionen L1 und L2.

Extreme Trees ist ein Ensemble-Algorithmus für maschinelles Lernen, der die Vorhersagen aus vielen Entscheidungsstrukturen kombiniert. Es steht im Zusammenhang mit dem weit verbreiteten Zufallsgesamtalgorithmus.

Die Technik der Übertragung von Wochenlernern in einen starken Lernenden heißt Boosting. Der Algorithmus zur Farbverlaufsaufhebung funktioniert auf dieser Ausführungstheorie.

Der KNN-Algorithmus (K-nearest neighbors) verwendet "Featureähnlichkeit", um die Werte neuer Datenpunkte vorherzusagen, was weiter bedeutet, dass dem neuen Datenpunkt ein Wert zugewiesen wird, basierend darauf, wie eng er den Punkten im Trainingssatz entspricht.

Lassomodell passt mit Least Angle Regression a.k.a. Lars. Es handelt sich um ein lineares Modell, das mit einem L1 vor dem Regularisierer trainiert wurde.

LightGBM ist ein Framework zur Farbverlaufssteigerung, das strukturbasierte Lernalgorithmen verwendet.

Zufällige Gesamtstruktur ist ein überwachter Lernalgorithmus. Der "Wald", den er aufbaut, ist ein Ensemble von Entscheidungsbäumen, die normalerweise mit der Bagging-Methode trainiert werden. Die allgemeine Idee der Bagging-Methode ist, dass eine Kombination von Lernmodellen das Gesamtergebnis erhöht.

SGD: Stochastischer Gradientenabstieg ist ein Optimierungsalgorithmus, der häufig in Machine Learning-Anwendungen verwendet wird, um die Modellparameter zu finden, die der besten Anpassung zwischen vorhergesagten und tatsächlichen Ausgaben entsprechen. Es ist eine ungenaue, aber leistungsstarke Technik.

XGBoostRegressor: Der Extreme Gradient Boosting Regressor ist ein überwachtes Machine Learning-Modell mit einem Ensemble von Basislern.

Gibt an, ob das aktuelle Objekt gleich einem anderen Objekt des gleichen Typs ist.

Gibt den voll qualifizierten Typnamen dieser Instanz zurück.

Bestimmt, ob zwei AutoMLVerticalRegressionModel Werte identisch sind.

Konvertiert eine Zeichenfolge in eine AutoMLVerticalRegressionModel.

Bestimmt, ob zwei AutoMLVerticalRegressionModel Werte nicht identisch sind.