mirror of
https://github.com/ClickHouse/ClickHouse.git
synced 2024-09-29 21:20:49 +00:00
d91c97d15d
* Replace underscores with hyphens * remove temporary code * fix style check * fix collapse
21 lines
1.2 KiB
Markdown
21 lines
1.2 KiB
Markdown
---
|
||
machine_translated: true
|
||
machine_translated_rev: f865c9653f9df092694258e0ccdd733c339112f5
|
||
toc_priority: 64
|
||
toc_title: Fonctions D'Apprentissage Automatique
|
||
---
|
||
|
||
# Fonctions D’Apprentissage Automatique {#machine-learning-functions}
|
||
|
||
## evalMLMethod (prédiction) {#machine_learning_methods-evalmlmethod}
|
||
|
||
Prédiction utilisant des modèles de régression ajustés utilise `evalMLMethod` fonction. Voir le lien dans la `linearRegression`.
|
||
|
||
### Régression Linéaire Stochastique {#stochastic-linear-regression}
|
||
|
||
Le [stochasticLinearRegression](../../sql-reference/aggregate-functions/reference.md#agg_functions-stochasticlinearregression) la fonction d’agrégat implémente une méthode de descente de gradient stochastique utilisant un modèle linéaire et une fonction de perte MSE. Utiliser `evalMLMethod` prédire sur de nouvelles données.
|
||
|
||
### Régression Logistique Stochastique {#stochastic-logistic-regression}
|
||
|
||
Le [stochasticLogisticRegression](../../sql-reference/aggregate-functions/reference.md#agg_functions-stochasticlogisticregression) la fonction d’agrégation implémente la méthode de descente de gradient stochastique pour le problème de classification binaire. Utiliser `evalMLMethod` prédire sur de nouvelles données.
|