Klassificeringsalgoritmer classification-algorithms

Detta dokument ger en översikt över olika klassificeringsalgoritmer, med fokus på deras konfiguration, nyckelparametrar och praktiska användning i avancerade statistiska modeller. Klassificeringsalgoritmer används för att tilldela kategorier till datapunkter baserat på indatafunktioner. Varje avsnitt innehåller parameterbeskrivningar och exempelkod som hjälper dig att implementera och optimera dessa algoritmer för uppgifter som beslutsträd, slumpmässig skog och inbyggd Bayes-klassificering.

Decision Tree Classifier decision-tree-classifier

Decision Tree Classifier är en övervakad inlärningsmetod som används för statistik, datautvinning och maskininlärning. I detta tillvägagångssätt används ett beslutsträd som en prediktiv modell för klassificeringsuppgifter, som bygger på slutsatser från en uppsättning observationer.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestanda för en Decision Tree Classifier.

Exempel

Create MODEL modelname OPTIONS(
  type = 'decision_tree_classifier'
) AS
  select col1, col2, col3 from training-dataset

Factorization Machine Classifier factorization-machine-classifier

Factorization Machine Classifier är en klassificeringsalgoritm som stöder normal övertoningsnedbrytning och AdamW-lösaren. I klassificeringsmodellen för Factorization Machine används logistiska förluster som kan optimeras via övertoningsnedstaplar och ofta omfattar regulariseringsvillkor som L2 för att förhindra överpassning.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestanda för Factorization Machine Classifier.

Exempel

CREATE MODEL modelname OPTIONS(
  type = 'factorization_machines_classifier'
) AS
  SELECT col1, col2, col3 FROM training-dataset

Gradient Boosted Tree Classifier gradient-boosted-tree-classifier

I Gradient Boosted Tree Classifier används en enda kombination av beslutsträd för att förbättra exaktheten i klassificeringsuppgifter, vilket kombinerar flera träd för att förbättra modellens prestanda.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestanda för Gradient Boosted Tree Classifier.

Exempel

Create MODEL modelname OPTIONS(
  type = 'gradient_boosted_tree_classifier'
) AS
  select col1, col2, col3 from training-dataset

Linear Support Vector Classifier (LinearSVC) linear-support-vector-classifier

Linear Support Vector Classifier (LinearSVC) konstruerar ett hyperplan för att klassificera data i ett högdimensionellt rum. Du kan använda den för att maximera marginalen mellan klasser för att minimera klassificeringsfel.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestanda för Linear Support Vector Classifier (LinearSVC).

Exempel

Create MODEL modelname OPTIONS(
  type = 'linear_svc_classifier'
) AS
  select col1, col2, col3 from training-dataset

Logistic Regression logistic-regression

Logistic Regression är en övervakad algoritm som används för binära klassificeringsuppgifter. Den modellerar sannolikheten för att en instans tillhör en klass med logistikfunktionen och tilldelar instansen till klassen med den högre sannolikheten. Detta gör det lämpligt för problem där målet är att dela upp data i en av två kategorier.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestanda för Logistic Regression.

Exempel

Create MODEL modelname OPTIONS(
  type = 'logistic_reg'
) AS
  select col1, col2, col3 from training-dataset

Multilayer Perceptron Classifier multilayer-perceptron-classifier

Multilayer Perceptron Classifier (MLPC) är en klassificerare för artificiellt neuralt nätverk. Det består av flera helt anslutna lager med noder, där varje nod använder en viktad linjär kombination av indata, följt av en aktiveringsfunktion. MLPC används för komplexa klassificeringsuppgifter som kräver icke-linjära beslutsgränser.

Parametrar

Exempel

CREATE MODEL modelname OPTIONS(
  type = 'multilayer_perceptron_classifier'
) AS
  select col1, col2, col3 from training-dataset

Naive Bayes Classifier naive-bayes-classifier

Naive Bayes Classifier är en enkel sannolikhetsklassificerare i flera klasser som baseras på Bayes' sats med starka (naiva) antaganden om oberoende mellan funktioner. Den utbildar effektivt genom att beräkna villkorliga sannolikheter i en enda omgång för att beräkna den villkorliga sannolikhetsfördelningen för varje egenskap som anges på varje etikett. För förutsägelser använder den Bayes teori för att beräkna den villkorliga sannolikhetsfördelningen för varje etikett utifrån en observation.

Parametrar

Exempel

CREATE MODEL modelname OPTIONS(
  type = 'naive_bayes_classifier'
) AS
  SELECT col1, col2, col3 FROM training-dataset

Random Forest Classifier random-forest-classifier

Random Forest Classifier är en enastående inlärningsalgoritm som bygger flera beslutsträd under utbildning. Det minskar överpassningen genom att man beräknar medelvärdet och väljer den klass som valts av de flesta träd för klassificeringsuppgifter.

Parametrar

Exempel

Create MODEL modelname OPTIONS(
  type = 'random_forest_classifier'
) AS
  select col1, col2, col3 from training-dataset

Nästa steg

När du har läst det här dokumentet vet du nu hur du konfigurerar och använder olika klassificeringsalgoritmer. Läs sedan dokumenten om regression och klustring om du vill veta mer om andra typer av avancerade statistiska modeller.