ClassificationModel 構造体

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

多変量ベルヌーリ モデルの Naive Bayes 分類子。

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。

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。

サポート ベクター マシン (SVM) は、2 グループ分類の問題に分類アルゴリズムを使用する教師あり機械学習モデルです。 カテゴリごとにラベル付けされたトレーニング データの SVM モデル セットを指定すると、新しいテキストを分類できます。 線形 SVM は、入力データが線形の場合に最適に実行されます。つまり、データは、プロットされたグラフに分類された値間の直線を描画することで簡単に分類できます。

ロジスティック回帰は、基本的な分類手法です。 これは線形分類子のグループに属し、多項式および線形回帰にやや似ています。 ロジスティック回帰は高速で比較的複雑でなく、結果を解釈すると便利です。 基本的には二項分類のメソッドですが、多クラスの問題にも適用できます。

多項式 Naive Bayes 分類子は、不連続特徴 (テキスト分類の単語数など) を使用した分類に適しています。 多項分布には通常、整数の特徴数が必要です。 ただし、実際には、tf-idf などの小数部の数も機能する可能性があります。

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。

サポート ベクター マシン (SVM) は、2 グループ分類の問題に分類アルゴリズムを使用する教師あり機械学習モデルです。 カテゴリごとにラベル付けされたトレーニング データの SVM モデル セットを指定すると、新しいテキストを分類できます。

XGBoost: 極端な勾配ブースティング アルゴリズム。 このアルゴリズムは、ターゲット列の値を個別のクラス値に分割できる構造化データに使用されます。

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 ClassificationModel 値が同じかどうかを判断します。

文字列を ClassificationModel に変換します。

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