Partager via


ForecastingModels type

Définit des valeurs pour ForecastingModels.
Les knownForecastingModels peuvent être utilisés indifféremment avec ForecastingModels. Cette énumération contient les valeurs connues que le service prend en charge.

Valeurs connues prises en charge par le service

AutoArima : Le modèle ARIMA (Auto-Autoregressive Integrated Moving Average) utilise des données de série chronologique et une analyse statistique pour interpréter les données et effectuer des prédictions futures. Ce modèle vise à expliquer les données en utilisant des données de série chronologique sur leurs valeurs passées et utilise la régression linéaire pour effectuer des prédictions.
Prophet: Prophet est une procédure de prévision des données de série chronologique basées sur un modèle additif où les tendances non linéaires sont adaptées à la saisonnalité annuelle, hebdomadaire et quotidienne, ainsi qu’aux effets de vacances. Il fonctionne mieux avec les séries chronologiques qui ont de forts effets saisonniers et plusieurs saisons de données historiques. Prophet est robuste pour les données manquantes et les changements dans la tendance, et gère généralement bien les valeurs aberrantes.
Naive : le modèle de prévision Naive effectue des prédictions en mettant en avant la valeur cible la plus récente pour chaque série chronologique dans les données d’entraînement.
SaisonnierNaive : le modèle de prévision saisonnière naive effectue des prédictions en mettant en avant la dernière saison de valeurs cibles pour chaque série chronologique dans les données d’entraînement.
Moyenne : le modèle de prévision moyenne effectue des prédictions en mettant à jour la moyenne des valeurs cibles pour chaque série chronologique dans les données d’entraînement.
SeasonalAverage : le modèle de prévision de la moyenne saisonnière effectue des prédictions en mettant à jour la valeur moyenne de la dernière saison de données pour chaque série chronologique dans les données d’entraînement.
ExponentialSmoothing : le lissage exponentiel est une méthode de prévision de série chronologique pour les données univariées qui peut être étendue pour prendre en charge les données avec une tendance systématique ou un composant saisonnier.
Arimax : un modèle de moyenne mobile intégrée autorégressive avec variable explicative (ARIMAX) peut être considéré comme un modèle de régression multiple avec un ou plusieurs termes de régression automatique (AR) et/ou un ou plusieurs termes de moyenne mobile (MA). Cette méthode convient à la prévision lorsque les données sont stationnaires/non stationnaires et multivariées avec n’importe quel type de modèle de données, c’est-à-dire niveau/tendance/saisonnalité/cyclicité.
TCNForecaster : TCNForecaster : prévisionniste de réseaux convolutionnels temporels. TODO : Demandez à l’équipe de prévision une brève introduction.
ElasticNet : le filet élastique est un type populaire de régression linéaire régularisée qui combine deux pénalités populaires, en particulier les fonctions de pénalité L1 et L2.
GradientBoosting : la technique du transit des apprenants de la semaine vers un apprenant fort s’appelle Boosting. Le processus d’algorithme de renforcement de gradient fonctionne sur cette théorie de l’exécution.
DecisionTree : les arbres de décision sont une méthode d’apprentissage supervisée non paramétrique utilisée pour les tâches de classification et de régression. L’objectif est de créer un modèle qui prédit la valeur d’une variable cible en apprenant des règles de décision simples déduites à partir des fonctionnalités de données.
KNN : L’algorithme K-nearest neighbors (KNN) utilise la « similarité des caractéristiques » pour prédire les valeurs des nouveaux points de données, ce qui signifie en outre que le nouveau point de données se verra attribuer une valeur en fonction de la proximité avec les points du jeu d’entraînement.
LassoLars : le modèle Lasso s’adapte à la régression d’angle minimal, c’est-à-dire Lars. Il s’agit d’un modèle linéaire entraîné avec un L1 antérieur comme régularisateur.
SGD : SGD : la descente de gradient stochastique est un algorithme d’optimisation souvent utilisé dans les applications machine learning pour rechercher les paramètres de modèle qui correspondent au meilleur ajustement entre les sorties prédites et réelles. C’est une technique imprécise mais puissante.
RandomForest : la forêt aléatoire est un algorithme d’apprentissage supervisé. La « forêt » qu’il construit, est un ensemble d’arbres de décision, généralement entraînés avec la méthode « ensachage ». L’idée générale de la méthode d’ensachage est qu’une combinaison de modèles d’apprentissage augmente le résultat global.
ExtremeRandomTrees : Extreme Trees est un algorithme d’apprentissage automatique d’ensemble qui combine les prédictions de nombreux arbres de décision. Il est lié à l’algorithme de forêt aléatoire largement utilisé.
LightGBM : LightGBM est une infrastructure de renforcement de gradient qui utilise des algorithmes d’apprentissage basés sur des arborescences.
XGBoostRegressor : XGBoostRegressor : Extreme Gradient Boosting Regressor est un modèle de Machine Learning supervisé utilisant un ensemble d’apprenants de base.

type ForecastingModels = string