Funkcje uczenia maszynowego

W poprzednim rozdziale poznałeś część funkcjonalności transformacji cech dostępnych w Spark MLlib. Gdyby ta biblioteka była posiłkiem, transformacje cech stanowiłyby przystawkę – daniem głównym jest bogaty wybór funkcji do modelowania uczenia maszynowego! Wszystkie te funkcje mają nazwy zaczynające się od ml_ i podobną sygnaturę. Przyjmują kilka argumentów, w tym obiekt tibble, formułę określającą zależności między zmiennymi, ciąg znaków z nazwami cech, ciąg znaków z etykietami i inne.

Obsługiwane funkcje uczenia maszynowego obejmują regresję liniową i jej warianty, modele drzewowe (ml_decision_tree_classifier()) oraz kilka innych. Pełną listę funkcji uczenia maszynowego możesz wyświetlić przy użyciu ls().

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

Jakie argumenty przyjmują wszystkie funkcje modeli uczenia maszynowego?