ForecastingModel Estructura

Definición

Espacio de nombres:

Azure.ResourceManager.MachineLearning.Models

Ensamblado:

Azure.ResourceManager.MachineLearning.dll

Paquete:

Azure.ResourceManager.MachineLearning v1.1.1

Source:

ForecastingModel.cs

Enumeración para todos los modelos de previsión admitidos por AutoML.

public readonly struct ForecastingModel : IEquatable<Azure.ResourceManager.MachineLearning.Models.ForecastingModel>

type ForecastingModel = struct

Public Structure ForecastingModel
Implements IEquatable(Of ForecastingModel)

Herencia

ValueType

ForecastingModel

Implementaciones

IEquatable<ForecastingModel>

Constructores

ForecastingModel(String)

Inicializa una nueva instancia de la clase ForecastingModel.

Propiedades

Arimax	Un modelo de media móvil integrada autorregresiva con variable explicativa (ARIMAX) se puede ver como un modelo de regresión múltiple con uno o varios términos de regresión automática (AR) o uno o varios términos de media móvil (MA). Este método es adecuado para la previsión cuando los datos son estáticos o no estáticos y multivariante con cualquier tipo de patrón de datos, es decir, level/trend /seasonality/cíclica.
AutoArima	El modelo de media móvil integrada de autorregresión automática (ARIMA) usa datos de series temporales y análisis estadísticos para interpretar los datos y realizar predicciones futuras. Este modelo pretende explicar los datos mediante el uso de datos de series temporales en sus valores anteriores y usa la regresión lineal para realizar predicciones.
Average	El modelo de previsión promedio realiza predicciones al transferir el promedio de los valores de destino para cada serie temporal de los datos de entrenamiento.
DecisionTree	Los árboles de decisión son un método de aprendizaje supervisado no paramétrico que se usa para las tareas de clasificación y regresión. El objetivo es crear un modelo que prediga el valor de una variable de destino mediante el aprendizaje de reglas de decisión sencillas inferidas de las características de datos.
ElasticNet	Elastic net es un tipo popular de regresión lineal regularizada que combina dos penalizaciones populares, específicamente las funciones de penalización L1 y L2.
ExponentialSmoothing	El suavizado exponencial es un método de previsión de series temporales para datos univariante que se pueden ampliar para admitir datos con una tendencia sistemática o un componente estacional.
ExtremeRandomTrees	Los árboles extremos son un algoritmo de aprendizaje automático de conjunto que combina las predicciones de muchos árboles de decisión. Está relacionado con el algoritmo de bosque aleatorio ampliamente utilizado.
GradientBoosting	La técnica de transitar alumnos de semana en un aprendiz fuerte se denomina Boosting. El proceso del algoritmo de potenciación de degradado funciona en esta teoría de ejecución.
KNN	El algoritmo K-nearest neighbors (KNN) usa "feature similarity" para predecir los valores de los nuevos puntos de datos, lo que significa que se asignará un valor al nuevo punto de datos en función de la proximidad de los puntos del conjunto de entrenamiento.
LassoLars	El modelo lasso encaja con regresión de ángulo mínimo a.k.a. Lars. Es un modelo lineal entrenado con un L1 anterior como regularizador.
LightGBM	LightGBM es un marco de potenciación de degradado que usa algoritmos de aprendizaje basados en árboles.
Naive	El modelo de previsión Naive realiza predicciones al transferir el valor objetivo más reciente para cada serie temporal de los datos de entrenamiento.
Prophet	Prophet es un procedimiento para predecir los datos de series temporales en función de un modelo aditivo en el que las tendencias no lineales se ajustan a la estacionalidad anual, semanal y diaria, además de los efectos vacacionales. Funciona mejor con series temporales que tienen efectos estacionales fuertes y varias estaciones de datos históricos. Prophet es sólido para faltar datos y cambios en la tendencia, y normalmente controla bien los valores atípicos.
RandomForest	Bosque aleatorio es un algoritmo de aprendizaje supervisado. El "bosque" que crea es un conjunto de árboles de decisión, normalmente entrenados con el método de etiquetado. La idea general del método de etiquetado es que una combinación de modelos de aprendizaje aumenta el resultado general.
SeasonalAverage	El modelo de previsión de media estacional realiza predicciones al transferir el valor medio de la última estación de datos para cada serie temporal de los datos de entrenamiento.
SeasonalNaive	El modelo de previsión Naive estacional realiza predicciones al transferir la última estación de valores de destino para cada serie temporal de los datos de entrenamiento.
SGD	SGD: el descenso de gradiente estocástico es un algoritmo de optimización que se usa a menudo en las aplicaciones de aprendizaje automático para encontrar los parámetros del modelo que corresponden al mejor ajuste entre las salidas predichos y reales. Es una técnica inexacta pero poderosa.
TCNForecaster	TCNForecaster: Previsión de redes convolucionales temporales. TAREAS PENDIENTES: Pida al equipo de previsión una breve introducción.
XGBoostRegressor	XGBoostRegressor: El regresor de potenciación de degradado extremo es un modelo de aprendizaje automático supervisado mediante un conjunto de aprendices base.

Métodos

Equals(ForecastingModel)	Indica si el objeto actual es igual que otro objeto del mismo tipo.
ToString()	Devuelve el nombre de tipo completo de esta instancia.

Operadores

Equality(ForecastingModel, ForecastingModel)	Determina si dos ForecastingModel valores son los mismos.
Implicit(String to ForecastingModel)	Convierte una cadena en un ForecastingModel.
Inequality(ForecastingModel, ForecastingModel)	Determina si dos ForecastingModel valores no son los mismos.