Clase de red neuronal artificial

bayesín

Clase de árbol de decisión

Clase clasificador lineal

Clase de red neuronal artificial

Clase de aprendizaje de reglas de asociación

Agrupación jerárquica

Análisis de conglomerados

Clase de detección de anomalías

Modelos generativos

Separación de baja densidad

Métodos basados ​​en gráficos

Co-entrenamiento

Q-aprendizaje

Estado-Acción-Recompensa-Estado-Acción (Estado-Acción-Recompensa-Estado-Acción, SARSA)

DQN (red Q profunda)

gradientes de políticas

RL basado en modelos

Aprendizaje diferencial temporal

Máquinas de creencias profundas

Redes neuronales convolucionales profundas

Red neuronal recurrente profunda

Memoria temporal jerárquica (HTM)

Máquina Boltzmann profunda (DBM)

Codificador automático apilado

Redes generativas de confrontación

Aprendizaje por transferencia inductiva

Aprendizaje por transferencia transductiva

Aprendizaje por transferencia no supervisado

Aprendizaje por transferencia transitiva

SVM de dos clases: adecuado para escenarios con muchas características de datos y modelos lineales

Perceptrón promedio de dos clases: Adecuado para escenarios con tiempos de entrenamiento cortos y modelos lineales.

Regresión logística de dos clases: adecuada para escenarios con tiempo de entrenamiento corto y modelos lineales

Máquina de puntos Bayes de dos clases: adecuada para escenarios con tiempos de entrenamiento cortos y modelos lineales

Bosque de decisiones de dos clases: adecuado para escenarios con poco tiempo de entrenamiento y precisión

Árbol de decisión mejorado de dos clases: adecuado para escenarios con un tiempo de entrenamiento corto, alta precisión y un gran uso de memoria

Decision Jungle de dos clases: adecuado para escenarios con poco tiempo de entrenamiento, alta precisión y poca memoria

SVM localmente profundo de dos clases: adecuado para escenarios con muchas características de datos

Red neuronal de dos clases: adecuada para escenarios con alta precisión y largo tiempo de entrenamiento

Regresión logística multiclase: adecuada para escenarios con tiempo de entrenamiento corto y modelos lineales

Red neuronal multiclase: adecuada para escenarios con alta precisión y largo tiempo de entrenamiento

Bosque de decisiones multiclase: adecuado para escenarios con alta precisión y corto tiempo de entrenamiento

Multiclass Decision Jungle: adecuado para escenarios con alta precisión y poca memoria

"Multiclase uno contra todos": depende del efecto de los dos clasificadores

Regresión ordinal: adecuada para escenarios donde los datos se clasifican y ordenan

Regresión de Poisson: adecuada para predecir el número de eventos

Regresión cuantil de bosque rápido: adecuada para escenarios de predicción de distribuciones

Regresión lineal: adecuada para escenarios con tiempo de entrenamiento corto y modelos lineales

Regresión lineal bayesiana: adecuada para modelos lineales y escenarios donde la cantidad de datos de entrenamiento es pequeña

Regresión de redes neuronales: adecuada para escenarios con alta precisión y tiempo de entrenamiento prolongado

Regresión del bosque de decisiones: adecuada para escenarios con alta precisión y corto tiempo de entrenamiento

Regresión del árbol de decisión mejorada: adecuada para escenarios con alta precisión, tiempo de entrenamiento corto y uso elevado de memoria

Agrupación jerárquica: adecuada para escenarios con poco tiempo de entrenamiento y gran cantidad de datos

Algoritmo K-means: adecuado para escenarios con alta precisión y corto tiempo de entrenamiento

Algoritmo FCM de agrupamiento difuso (Fuzzy C-means, FCM): adecuado para escenarios con alta precisión y corto tiempo de entrenamiento

Red neuronal SOM (Mapa de características autoorganizado, SOM): adecuada para escenarios con un tiempo de ejecución prolongado

Máquina de vectores de soporte de una clase (SVM de una clase): adecuada para escenarios con muchas características de datos

Detección de anomalías basada en PCA: adecuada para escenarios con un tiempo de formación corto