Fonctions de machine learning

Dans le dernier chapitre, vous avez découvert certaines fonctionnalités de transformation des caractéristiques de Spark MLlib. Si cette bibliothèque était un repas, les transformations de caractéristiques seraient l'entrée; le plat principal, c'est un choix somptueux de fonctions de modélisation en machine learning! Ces fonctions ont toutes un nom qui commence par ml_ et partagent une signature semblable. Elles prennent plusieurs paramètres, dont un tibble, une formule qui précise la relation entre les variables, une chaîne qui nomme les caractéristiques, une chaîne contenant les étiquettes, et plus encore.

Les fonctions de machine learning prises en charge incluent la régression linéaire et ses variantes, les modèles à base d'arbres (ml_decision_tree_classifier()), et quelques autres. Vous pouvez voir la liste de toutes les fonctions de machine learning avec ls().

ls("package:sparklyr", pattern = "^ml")

Quels paramètres toutes les fonctions de modèles de machine learning acceptent-elles?