ClassificationModels type

定义 ClassificationModels 的值。
KnownClassificationModels 可与 ClassificationModel 互换使用，此枚举包含服务支持的已知值。

服务支持的已知值

逻辑回归：逻辑回归是一种基本的分类技术。 它属于线性分类器组，有点类似于多项式和线性回归。 逻辑回归快速且相对不复杂，便于解释结果。 虽然它本质上是二元分类的方法，但它也可以应用于多类问题。
：ZN：随机梯度下降是机器学习应用程序中经常使用的优化算法，用于查找与预测输出和实际输出之间最适合的模型参数。
多项式NaiveBayes：多项式 Naive Bayes 分类器适用于具有离散特征的分类（例如文本分类的字数）。 多项式分布通常需要整数特征计数。 但是，在实践中，小数计数（如 tf-idf）也可能起作用。
伯努利NaiveBayes：多变量伯努利模型的 Naive Bayes 分类器。
SVM：支持向量机（SVM）是一种监督式机器学习模型，它使用分类算法解决两组分类问题。 为每个类别提供一组已标记训练数据的 SVM 模型集后，它们能够对新文本进行分类。
LinearSVM：支持向量机（SVM）是一种监督式机器学习模型，它使用分类算法解决两组分类问题。 为每个类别提供一组已标记训练数据的 SVM 模型集后，它们能够对新文本进行分类。 当输入数据是线性的时，线性 SVM 的性能最佳，即通过在绘制的图形上的分类值之间绘制直线，可以轻松对数据进行分类。
KNN：K 最近的邻居（KNN）算法使用“特征相似性”来预测新数据点的值，进一步意味着新数据点将基于它与训练集中的点匹配程度分配一个值。
DecisionTree：决策树是用于分类和回归任务的非参数监督式学习方法。 目标是创建一个模型，通过学习从数据特征推断的简单决策规则来预测目标变量的值。
RandomForest：随机林是监督式学习算法。 它构建的“林”是决策树的合奏，通常使用“装袋”方法训练。 装袋方法的一般思路是，学习模型的组合会增加整体结果。
ExtremeRandomTrees：极端树是一种组合机器学习算法，它结合了来自许多决策树的预测。 它与广泛使用的随机林算法相关。
LightGBM：LightGBM 是使用基于树的学习算法的渐变提升框架。
GradientBoosting：将周学习者转移到强学习者的技术称为“提升”。 梯度提升算法过程适用于此执行理论。
XGBoostClassifier：XGBoost：极端梯度提升算法。 此算法用于结构化数据，其中目标列值可以划分为不同的类值。