ClassificationModel Struktur

Initialisiert eine neue Instanz von ClassificationModel.

Naive Bayes-Klassifizierer für multivariate Bernoulli-Modelle.

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.

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.

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

Ein Support Vector Machine (SVM) ist ein überwachtes Machine Learning-Modell, das Klassifizierungsalgorithmen für Zweigruppenklassifizierungsprobleme verwendet. Nachdem sie einem SVM-Modellsatz beschriftete Trainingsdaten für jede Kategorie zugewiesen haben, können sie neuen Text kategorisieren. Lineare SVM funktioniert am besten, wenn Eingabedaten linear sind, d. h. Daten können leicht klassifiziert werden, indem die gerade Linie zwischen klassifizierten Werten in einem diagrammierten Diagramm gezeichnet wird.

Die logistische Regression ist eine grundlegende Klassifizierungsmethode. Es gehört zur Gruppe der linearen Klassifizierer und ähnelt der polynomalen und linearen Regression. Die logistische Regression ist schnell und relativ unkompliziert, und es ist bequem für Sie, die Ergebnisse zu interpretieren. Obwohl es sich im Wesentlichen um eine Methode für die binäre Klassifizierung handelt, kann sie auch auf Probleme mit mehreren Klassen angewendet werden.

Der multinomielle Naive Bayes-Klassifizierer eignet sich für die Klassifizierung mit diskreten Merkmalen (z. B. Wortanzahlen für die Textklassifizierung). Für die multinomielle Verteilung sind normalerweise ganze Featureanzahlen erforderlich. In der Praxis können jedoch auch Bruchzahlen wie tf-idf funktionieren.

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.

Ein Support Vector Machine (SVM) ist ein überwachtes Machine Learning-Modell, das Klassifizierungsalgorithmen für Zweigruppenklassifizierungsprobleme verwendet. Nachdem sie einem SVM-Modellsatz beschriftete Trainingsdaten für jede Kategorie zugewiesen haben, können sie neuen Text kategorisieren.

XGBoost: Extremer Algorithmus zur Farbverlaufssteigerung. Dieser Algorithmus wird für strukturierte Daten verwendet, bei denen Zielspaltenwerte in unterschiedliche Klassenwerte unterteilt werden können.

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 ClassificationModel Werte identisch sind.

Konvertiert eine Zeichenfolge in eine ClassificationModel.

Bestimmt, ob zwei ClassificationModel Werte nicht identisch sind.