AutoMLVerticalRegressionModel 構造体

AutoMLVerticalRegressionModel の新しいインスタンスを初期化します。

デシジョン ツリーは、分類タスクと回帰タスクの両方に使用されるノンパラメトリック教師あり学習方法です。 目標は、データ特徴から推論される単純な決定ルールを学習することで、ターゲット変数の値を予測するモデルを作成することです。

エラスティック ネットは、一般的な 2 つのペナルティ (特に L1 と L2 のペナルティ関数) を組み合わせた一般的なタイプの正則線形回帰です。

エクストリーム ツリーは、多くのデシジョン ツリーからの予測を組み合わせたアンサンブル 機械学習アルゴリズムです。 これは、広く使用されているランダム フォレスト アルゴリズムに関連しています。

週の学習者を強力な学習者に転送する手法は、Boosting と呼ばれます。 勾配ブースティング アルゴリズム プロセスは、この実行理論で機能します。

K ニアレスト ネイバー (KNN) アルゴリズムでは、"特徴類似性" を使用して新しいデータ ポイントの値を予測します。これは、新しいデータ ポイントがトレーニング セット内のポイントとどれだけ一致するかに基づいて値が割り当てられることを意味します。

なげなわモデルは、最小角度回帰 a.k.a. Lars に適合します。 これは、正則化の前に L1 でトレーニングされた線形モデルです。

LightGBM は、ツリー ベースの学習アルゴリズムを使用する勾配ブースティング フレームワークです。

ランダム フォレストは、教師あり学習アルゴリズムです。 構築する "フォレスト" はデシジョン ツリーのアンサンブルであり、通常は袋詰め方法でトレーニングされます。 バギング方法の一般的な考え方は、学習モデルの組み合わせによって全体的な結果が増加することです。

SGD: 確率勾配降下法は、機械学習アプリケーションでよく使用される最適化アルゴリズムであり、予測された出力と実際の出力の最適な適合に対応するモデル パラメーターを検索します。 これは、不正確だが強力な手法です。

XGBoostRegressor: Extreme Gradient Boosting Regressor は、基本学習者のアンサンブルを使用した教師あり機械学習モデルです。

現在のオブジェクトが、同じ型の別のオブジェクトと等しいかどうかを示します。

このインスタンスの完全修飾型名を返します。

2 つの AutoMLVerticalRegressionModel 値が同じかどうかを判断します。

文字列を AutoMLVerticalRegressionModel に変換します。

2 つの AutoMLVerticalRegressionModel 値が同じでないかどうかを判断します。