Функции машинного обучения

В предыдущей главе вы познакомились с возможностями преобразования признаков в Spark MLlib. Если представить эту библиотеку как обед, то преобразование признаков — это закуска, а главное блюдо — богатый выбор функций моделирования для машинного обучения! Все эти функции начинаются с ml_ и имеют схожую сигнатуру. Они принимают несколько аргументов: tibble, формулу, описывающую зависимость между переменными, строку с именами признаков, строку с метками и другие параметры.

Среди поддерживаемых методов машинного обучения — линейная регрессия и её варианты, древовидные модели (ml_decision_tree_classifier()) и ряд других. Полный список функций машинного обучения можно получить с помощью ls().

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

Какие аргументы принимают все функции моделей машинного обучения?