Класс искусственной нейронной сети

Байесин

Класс дерева решений

Класс линейного классификатора

Класс искусственной нейронной сети

Класс изучения ассоциативных правил

Иерархическая кластеризация

Кластерный анализ

Класс обнаружения аномалий

Генеративные модели

Сепарация низкой плотности

Методы на основе графов

Совместное обучение

Q-обучение

Государство-Действие-Награда-Состояние-Действие (Состояние-Действие-Награда-Состояние-Действие, SARSA)

DQN (сеть Deep Q)

Градиенты политики

RL на основе модели

Временное дифференциальное обучение

Машины глубокой веры

Глубокие сверточные нейронные сети

Глубокая рекуррентная нейронная сеть

Иерархическая временная память (HTM)

Глубокая машина Больцмана (DBM)

Составной автоэнкодер

Генеративно-состязательные сети

Индуктивное трансферное обучение

Трансдуктивное трансферное обучение

Неконтролируемое трансферное обучение

Транзитивное трансферное обучение

Двухклассовая SVM: подходит для сценариев со многими функциями данных и линейными моделями.

Двухклассовый средний персептрон: подходит для сценариев с коротким временем обучения и линейными моделями.

Двухклассовая логистическая регрессия: подходит для сценариев с коротким временем обучения и линейными моделями.

Двухклассовая машина Байеса: подходит для сценариев с коротким временем обучения и линейными моделями.

Двухклассовый лес решений: подходит для сценариев с коротким временем обучения и точностью.

Двухклассовое усиленное дерево решений: подходит для сценариев с коротким временем обучения, высокой точностью и большим использованием памяти.

Двухклассовые решения «Джунгли решений»: подходят для сценариев с коротким временем обучения, высокой точностью и небольшим объемом памяти.

Двухклассовая локально глубокая SVM: подходит для сценариев с множеством функций данных.

Двухклассовая нейронная сеть: подходит для сценариев с высокой точностью и длительным временем обучения.

Многоклассовая логистическая регрессия: подходит для сценариев с коротким временем обучения и линейными моделями.

Мультиклассовая нейронная сеть: подходит для сценариев с высокой точностью и длительным временем обучения.

Многоклассовый лес решений: подходит для сценариев с высокой точностью и коротким временем обучения.

Multiclass Decision Jungle: подходит для сценариев с высокой точностью и небольшим объемом памяти.

«Мультикласс один против всех»: зависит от эффекта двух классификаторов.

Порядковая регрессия: подходит для сценариев, в которых данные классифицируются и сортируются.

Регрессия Пуассона: подходит для прогнозирования количества событий.

Квантильная регрессия быстрого леса: подходит для сценариев прогнозирования распределений.

Линейная регрессия: подходит для сценариев с коротким временем обучения и линейными моделями.

Байесовская линейная регрессия: подходит для линейных моделей и сценариев, в которых объем обучающих данных невелик.

Регрессия нейронной сети: подходит для сценариев с высокой точностью и длительным временем обучения.

Регрессия леса решений: подходит для сценариев с высокой точностью и коротким временем обучения.

Усиленная регрессия дерева решений: подходит для сценариев с высокой точностью, коротким временем обучения и большим использованием памяти.

Иерархическая кластеризация: подходит для сценариев с коротким временем обучения и большим объемом данных.

Алгоритм K-средних: подходит для сценариев с высокой точностью и коротким временем обучения.

Алгоритм нечеткой кластеризации FCM (Fuzzy C-means, FCM): подходит для сценариев с высокой точностью и коротким временем обучения.

Нейронная сеть SOM (самоорганизующаяся карта функций, SOM): подходит для сценариев с длительным временем работы.

Машина опорных векторов одного класса (SVM одного класса): подходит для сценариев с множеством функций данных.

Обнаружение аномалий на основе PCA: подходит для сценариев с коротким временем обучения.