RegressionModels type

RegressionModels의 값을 정의합니다.
KnownRegressionModels는 RegressionModels와 교환하여 사용할 수 있습니다. 이 열거형에는 서비스에서 지원하는 알려진 값이 포함됩니다.

서비스에서 지원하는 알려진 값

ElasticNet: Elastic net은 인기 있는 두 가지 페널티, 특히 L1 및 L2 페널티 함수를 결합한 일반화된 선형 회귀의 인기 유형입니다.
GradientBoosting: 주 학습자를 강력한 학습자에게 전송하는 기술을 Boosting이라고 합니다. 그라데이션 증폭 알고리즘 프로세스는 이 실행 이론에서 작동합니다.
DecisionTree: 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.
KNN: K-가장 가까운 인접 항목(KNN) 알고리즘은 '기능 유사성'을 사용하여 새 데이터 포인트의 값을 예측합니다. 즉, 새 데이터 포인트가 학습 집합의 포인트와 얼마나 일치하는지에 따라 값이 할당됩니다.
LassoLars: 올가미 모델은 Lars라고도 하는 최소 각도 회귀에 적합합니다. 정규화 이전의 L1로 학습된 선형 모델입니다.
SGD: SGD: 확률적 그라데이션 하강은 기계 학습 애플리케이션에서 예측된 출력과 실제 출력 간에 가장 적합한 모델 매개 변수를 찾는 데 자주 사용되는 최적화 알고리즘입니다. 그것은 비현실적이지만 강력한 기술입니다.
RandomForest: 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.
ExtremeRandomTrees: 익스트림 트리는 많은 의사 결정 트리의 예측을 결합하는 앙상블 기계 학습 알고리즘입니다. 널리 사용되는 임의 포리스트 알고리즘과 관련이 있습니다.
LightGBM: LightGBM은 트리 기반 학습 알고리즘을 사용하는 그라데이션 부스팅 프레임워크입니다.
XGBoostRegressor: XGBoostRegressor: 익스트림 그라데이션 부스팅 회귀기는 기본 학습자의 앙상블을 사용하는 감독된 기계 학습 모델입니다.