KnownRegressionModels enum

의사 결정 트리는 분류 및 회귀 작업 모두에 사용되는 비 파라메트릭 감독 학습 방법입니다. 목표는 데이터 기능에서 유추된 간단한 의사 결정 규칙을 학습하여 대상 변수의 값을 예측하는 모델을 만드는 것입니다.

탄력적 net은 인기 있는 두 가지 페널티, 특히 L1 및 L2 페널티 함수를 결합한 일반화된 선형 회귀의 인기 유형입니다.

익스트림 트리는 많은 의사 결정 트리의 예측을 결합하는 앙상블 기계 학습 알고리즘입니다. 널리 사용되는 임의 포리스트 알고리즘과 관련이 있습니다.

주 학습자를 강력한 학습자에게 전송하는 기술을 부스팅이라고 합니다. 그라데이션 증폭 알고리즘 프로세스는 이 실행 이론에서 작동합니다.

KNN(K-가장 가까운 인접) 알고리즘은 '기능 유사성'을 사용하여 새 데이터 포인트의 값을 예측합니다. 즉, 새 데이터 요소가 학습 집합의 점과 얼마나 일치하는지에 따라 값이 할당됩니다.

올가미 모델은 라스라고도 하는 최소 각도 회귀에 적합합니다. 정규화 이전의 L1로 학습된 선형 모델입니다.

LightGBM은 트리 기반 학습 알고리즘을 사용하는 그라데이션 부스팅 프레임워크입니다.

임의 포리스트는 감독 학습 알고리즘입니다. 빌드되는 "포리스트"는 일반적으로 "배깅" 방법으로 학습된 의사 결정 트리의 앙상블입니다. 배깅 방법의 일반적인 개념은 학습 모델의 조합이 전체 결과를 증가한다는 것입니다.

SGD: 확률적 그라데이션 하강은 예측된 출력과 실제 출력 간에 가장 적합한 모델 매개 변수를 찾기 위해 기계 학습 애플리케이션에서 자주 사용되는 최적화 알고리즘입니다. 그것은 비현실적이지만 강력한 기술입니다.

XGBoostRegressor: 익스트림 그라데이션 부스팅 회귀기는 기본 학습자의 앙상블을 사용하는 감독되는 기계 학습 모델입니다.