KnownForecastingModels enum

Balíček:

@azure/arm-machinelearning

Známé hodnoty ForecastingModels , které služba přijímá.

Pole

Arimax	Model autoregresivního integrovaného klouzavého průměru s vysvětlující proměnnou (ARIMAX) lze považovat za model vícenásobné regrese s jedním nebo více autoregresivními termíny (AR) a/nebo jedním nebo více termíny klouzavého průměru (MA). Tato metoda je vhodná pro prognózování, když jsou data nehybná nebo nepohyblivá, a multivariatní s libovolným typem datového vzoru, tj. level/trend /sezónnost/cykličnost.
AutoArima	Model ARIMA (Auto-Auto-Auto-Autoegressive Integrated Moving Average) používá data časových řad a statistické analýzy k interpretaci dat a vytváření budoucích předpovědí. Cílem tohoto modelu je vysvětlit data pomocí dat časových řad na minulých hodnotách a pomocí lineární regrese provádět předpovědi.
Average	Model average forecasting vytváří předpovědi tak, že přenese dopředný průměr cílových hodnot pro každou časovou řadu v trénovacích datech.
DecisionTree	Rozhodovací stromy jsou neparametrická metoda učení pod dohledem, která se používá pro klasifikační i regresní úlohy. Cílem je vytvořit model, který předpovídá hodnotu cílové proměnné na základě jednoduchých rozhodovacích pravidel odvozených z datových funkcí.
ElasticNet	Elastická síť je oblíbený typ regularizované lineární regrese, který kombinuje dvě oblíbené tresty, konkrétně funkce L1 a L2.
ExponentialSmoothing	Exponenciální vyhlazování je metoda prognózování časových řad pro jednorozměrná data, kterou lze rozšířit tak, aby podporovala data se systematickou trendovou nebo sezónní komponentou.
ExtremeRandomTrees	Extreme Trees je algoritmus strojového učení, který kombinuje předpovědi z mnoha rozhodovacích stromů. Souvisí s široce používaným algoritmem náhodné doménové struktury.
GradientBoosting	Technika přechodu týdenních posluchačů do silného žáka se nazývá Posílení. Na této teorii provádění pracuje proces algoritmu zvýšení gradientu.
KNN	Algoritmus K-nearest neighbors (KNN) používá "podobnost funkcí" k predikci hodnot nových datových bodů, což dále znamená, že novému datovému bodu bude přiřazena hodnota na základě toho, jak přesně odpovídá bodům v trénovací sadě.
LassoLars	Lasso model fit with Least Angle Regression(k.a. Lars). Jedná se o lineární model trénovaný s L1 předchozí jako regularizátor.
LightGBM	LightGBM je architektura pro zvýšení gradientu, která používá algoritmy učení založené na stromech.
Naive	Model naivního prognózování provádí předpovědi tím, že pro každou časovou řadu v trénovacích datech přenese nejnovější cílovou hodnotu.
Prophet	Prorok je postup pro prognózování dat časových řad založený na doplňkovém modelu, kde nelineární trendy odpovídají roční, týdenní a denní sezónnosti a efektu svátků. Nejlépe funguje s časovými řadami, které mají silné sezónní účinky a několik ročních období historických dat. Prorok je robustní pro chybějící data a posuny v trendu a obvykle dobře zvládá odlehlé hodnoty.
RandomForest	Náhodná doménová struktura je algoritmus učení pod dohledem. "les", který vytváří, je soubor rozhodovacích stromů, obvykle trénovaný metodou "pytlování". Obecná představa metody pytlování spočívá v tom, že kombinace modelů učení zvyšuje celkový výsledek.
SeasonalAverage	Model prognózování sezónních průměrů provádí předpovědi tak, že přenese průměrnou hodnotu dat poslední sezóny pro každou časovou řadu v trénovacích datech.
SeasonalNaive	Model sezónního naivního prognózování vytváří předpovědi tak, že pro každou časovou řadu v trénovacích datech provádí předpovědi tak, že přenese do budoucna poslední sezónu cílových hodnot.
SGD	SGD: Stochastický gradientní sestup je algoritmus optimalizace, který se často používá v aplikacích strojového učení k vyhledání parametrů modelu, které odpovídají nejlepšímu přizpůsobení mezi predikovanými a skutečnými výstupy. Je to nepřesná, ale výkonná technika.
TCNForecaster	TCNForecaster: Forecaster dočasných konvolučních sítí. ÚKOL: Požádejte tým prognózy o stručný úvod.
XGBoostRegressor	XGBoostRegressor: Regressor pro zvýšení extrémního gradientu je model strojového učení pod dohledem, který využívá soubor základních posluchačů.