ForecastingModels type
Definuje hodnoty pro ForecastingModels.
PoleForecastingModels lze použít zaměnitelně s ForecastingModels, tento výčet obsahuje známé hodnoty, které služba podporuje.
Známé hodnoty podporované službou
autoarima: Model ARIMA (Auto-Autoregresive Integrated Moving Average) používá data časových řad a statistickou analýzu k interpretaci dat a provádění budoucích předpovědí.
Cílem tohoto modelu je vysvětlit data pomocí dat časových řad na jejich minulých hodnotách a používá lineární regresi k vytváření předpovědí.
proroka: Prorok je procedura pro prognózování dat časových řad na základě doplňkového modelu, kde nelineární trendy odpovídají ročním, týdenním a denním sezónnostem a efekty svátků.
Nejlépe funguje s časovými řadami, které mají silné sezónní účinky a několik sezón historických dat. Prorok je robustní pro chybějící data a posuny v trendu a obvykle zpracovává odlehlé hodnoty dobře.
Naive: Model naive forecasting vytváří předpovědi tak, že předává nejnovější cílovou hodnotu pro každou časovou řadu v trénovacích datech.
SeasonalNaive: Model sezónních naivních prognóz vytváří předpovědi tím, že provádí nejnovější sezónu cílových hodnot pro každou časovou řadu v trénovacích datech.
Průměrné: Model průměrné prognózy vytváří předpovědi tak, že přenese průměr cílových hodnot pro každou časovou řadu v trénovacích datech.
SeasonalAverage: Model prognózování sezónního průměru provádí předpovědi tím, že přenese průměrnou hodnotu nejnovější sezóny dat pro každou časovou řadu v trénovacích datech.
ExponentialSmoothing: Exponenciální vyhlazování je metoda prognózování časových řad pro jednovariátní data, která lze rozšířit tak, aby podporovala data s systematickým trendem nebo sezónní komponentou.
Arimax: Model ARIMAX (Autoregresivní integrovaný klouzavý průměr) s vysvětlující proměnnou (ARIMAX) lze zobrazit jako více regresních modelů s jedním nebo více termíny autoregresivního (AR) a/nebo jedním nebo více termíny klouzavého průměru (MA).
Tato metoda je vhodná pro prognózování, kdy jsou data statickou/nehybnou, a multivariát s jakýmkoli typem datového vzoru, tj. úroveň/trend /sezónnost/cykličnost.
TCNForecaster: TCNForecaster: Dočasné konvoluční sítě Forecaster. ÚKOL: Zeptejte se týmu prognózování na stručný úvod.
ElasticNet: Elastic net je oblíbený typ regularizované lineární regrese, který kombinuje dvě oblíbené sankce, konkrétně tresty L1 a L2.
GradientBoosting: Technika přenášení týdenních učení do silného učení se nazývá Boosting. Proces přechodu podporující algoritmus funguje na této teorii provádění.
DecisionTree: Rozhodovací stromy představují metodu učení, která není parametrická pod dohledem, která se používá pro úlohy klasifikace i regrese.
Cílem je vytvořit model, který predikuje hodnotu cílové proměnné učením jednoduchých rozhodovacích pravidel odvozených z datových funkcí.
KNN: Algoritmus K-nejbližších sousedů (KNN) používá k predikci hodnot nových datových bodů "podobnost funkce", což dále znamená, že nový datový bod bude přiřazen hodnotu na základě toho, jak přesně odpovídá bodům v trénovací sadě.
LassoLars: Model Laso se vejde s nejnižší regresí úhlu a.k.a. Lars. Jedná se o lineární model vytrénovaný pomocí L1 předchozího jako regularizátoru.
SGD: SGD: Stochastic gradientní sestup je optimalizační algoritmus, který se často používá v aplikacích strojového učení k nalezení parametrů modelu, které odpovídají nejlepšímu přizpůsobení mezi predikovanými a skutečnými výstupy.
Je to nevýkonná, ale výkonná technika.
RandomForest: Náhodná doménová struktura je algoritmus učení pod dohledem.
"Les", který vytváří, je soubor rozhodovacích stromů, obvykle trénovaný metodou "sáček".
Obecná myšlenka metody baggingu spočívá v tom, že kombinace modelů učení zvyšuje celkový výsledek.
ExtremeRandomTrees: Extreme Trees je algoritmus strojového učení, který kombinuje předpovědi z mnoha rozhodovacích stromů. Souvisí s široce používaným algoritmem náhodné doménové struktury.
LightGBM: LightGBM je architektura pro zvýšení přechodu, která používá algoritmy učení založené na stromech.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor je model strojového učení pod dohledem využívající soubor základních učení.
type ForecastingModels = string