Liste aller klassifikationsalgorithmen
Habe ich eine Klassifizierung problem und ich würde es gerne testen alle verfügbaren algorithmen zu testen, Ihre Leistung bei der überwindung des Problems.
Wenn du keine Klassifizierung Algorithmus andere als diese, die unten aufgeführt, bitte Liste es hier.
GradientBoostingClassifier()
DecisionTreeClassifier()
RandomForestClassifier()
LinearDiscriminantAnalysis()
LogisticRegression()
KNeighborsClassifier()
GaussianNB()
ExtraTreesClassifier()
BaggingClassifier()
Ihre Hilfe wird sehr geschätzt.
- Fragen, um eine Liste aller klassifikationsalgorithmen ist zu breit - die Zahl wird riesig sein. Für eine Liste aller Klassifizierung-algorithmen, die derzeit in scikit-learn können Sie durch "betreute" lernen in der scikit-learn docs. scikit-learn.org/stable/supervised_learning.html die Sie verpasst haben z.B. SVM und neuronale Netze.
- Die Liste aller klassifikationsalgorithmen wird riesig sein. Aber Sie können Fragen, für die beliebtesten algorithmen für Klassifizierung. Für jede Einteilung Aufgabe, versuchen Sie zunächst die einfachen (linearen) Methoden der logistischen regression, Naive Bayes, lineare SVM, Entscheidungsbäume, etc., dann versuchen die nicht-lineare Methoden der SVM mit RBF-kernel, ensemble Methoden wie Random forests, gradient boosted trees, etc, dann versuchen erweiterte Methoden wie "deep learning".
Du musst angemeldet sein, um einen Kommentar abzugeben.
Die Antworten nicht, sofern die vollständige Liste der Klassifikatoren, so habe ich Sie unten aufgeführt
Können Sie wollen, schauen Sie sich die folgende Frage:
Wie, um eine Liste aller scikit-learn Klassifikatoren, die Unterstützung predict_proba()
Akzeptierte Antwort zeigt die Methode, um alle Schätzer in scikit die Unterstützung predict_probas Methode. Einfach Durchlaufen und drucken Sie alle Namen, ohne zu prüfen, den Zustand und Sie bekommen alle Schätzer. (Klassifikatoren, Regressoren, cluster etc)
Nur für Klassifikatoren, ändern Sie diese wie unten zu überprüfen, alle Klassen, implementieren ClassifierMixin
Punkte zu beachten:
Sollten Sie überprüfen, Ihre jeweiligen Referenz-docs, bevor Sie
Sorry. Zu spät, um die Partei.
Aber, können Sie versuchen, bei dieser Suche.
Classifier-Vergleich