Полный список различных типов моделей машинного обучения:
- "Линейная регрессия"
- Риджовая регрессия
- Лассо регрессия
- Эластичная чистая регрессия
- "Логистическая регрессия"
- Деревья решений
- Случайный лес
- Машины повышения градиента (GBM)
- XGBoost
- ЛайтГБМ
- КэтБуст
- Машины опорных векторов (SVM)
- К-Ближайшие соседи (КНН)
- Анализ главных компонент (PCA)
- Независимый компонентный анализ (ICA)
- Неотрицательная матричная факторизация (NMF)
- Модели Гауссовской смеси (GMM)
- Скрытые марковские модели (СММ)
- Нейронные сети (прямого распространения, сверточные, рекуррентные)
- Длинная краткосрочная память (LSTM)
- Закрытые рекуррентные единицы (ГРУ)
- Автоэнкодеры
- Вариационные автоэнкодеры (VAE)
- Генеративно-состязательные сети (GAN)
- Глубокие Q-сети (DQN)
- Модели актер-критик
- Обучение временной разнице
- Модели гауссовских процессов
- Методы ядра
- Многослойные перцептроны (MLP)
- Встраивание слов (Word2Vec, GloVe)
- Модели трансформаторов (BERT, GPT, T5)
- Модели «последовательность-последовательность»
- Иерархические модели
- Динамическое искажение времени (DTW)
- Иерархическая кластеризация
- Кластеризация среднего сдвига
- DBSCAN (Пространственная кластеризация приложений с шумом на основе плотности)
- Агломеративная кластеризация
- Самоорганизующиеся карты (SOM)
- Изоляционный лес
- Одноклассовая СВМ
- Модели обнаружения аномалий
- Модели временных рядов (ARIMA, SARIMA, экспоненциальное сглаживание)
- Скрытые марковские модели (HMM) для временных рядов
- Регрессия гауссовского процесса
- Байесовские сети
- Обучение правилам ассоциации (априори, рост FP)
- Марковские цепи
- Модели обучения с подкреплением (Q-Learning, SARSA, Policy Gradient)
Каждая из этих моделей имеет свои особенности, преимущества и ограничения. Выбор модели зависит от характера данных, проблемы, которую вы пытаетесь решить, и ваших конкретных целей.
