KnownForecastingModels enum

Paquet:

@azure/arm-machinelearning

Valeurs connues de ForecastingModels que le service accepte.

Champs

Arimax	Un modèle de moyenne mobile intégrée autorégressive avec variable explicatif (ARIMAX) peut être considéré comme un modèle de régression multiple avec un ou plusieurs termes autorégressifs (AR) et/ou un ou plusieurs termes de moyenne mobile (MA). Cette méthode est adaptée 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/cyclique.
AutoArima	Le modèle ARIMA (Auto-Autoregressive Integrated Moving Average) utilise des données de série chronologique et une analyse statistique pour interpréter les données et faire 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.
Average	Le modèle de prévision Average effectue des prédictions en transférant les valeurs cibles moyennes de chaque série chronologique dans les données de formation.
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 des fonctionnalités de données.
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.
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 une composante saisonnière.
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.
GradientBoosting	La technique du transit des apprenants de semaine vers un apprenant fort est appelée Boosting. Le processus de l’algorithme de renforcement de gradient fonctionne sur cette théorie de l’exécution.
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 qu’une valeur sera attribuée au nouveau point de données en fonction de la façon dont il correspond aux points dans le jeu d’entraînement.
LassoLars	Le modèle lasso s’adapte à la régression d’angle le plus petit, c’est-à-dire lars. Il s’agit d’un modèle linéaire entraîné avec un L1 antérieur comme régulariseur.
LightGBM	LightGBM est une infrastructure de renforcement de gradient qui utilise des algorithmes d’apprentissage basés sur des arborescences.
Naive	Le modèle de prévision Naive effectue des prédictions en transférant la dernière valeur cible de chaque série chronologique dans les données d’apprentissage.
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 des 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 de tendance, et gère généralement bien les valeurs hors norme.
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 « bagging ». L’idée générale de la méthode d’ensachage est qu’une combinaison de modèles d’apprentissage augmente le résultat global.
SeasonalAverage	Le modèle de prévisions Seasonal Average (Moyenne saisonnière) effectue des prédictions en reportant la valeur moyenne de la dernière saison de données pour chaque série chronologique dans les données de formation.
SeasonalNaive	Le modèle de prévision Seasonal Naive effectue des prédictions en transférant les dernières valeurs cibles de saison de chaque série chronologique dans les données d’apprentissage.
SGD	SGD : La descente de gradient stochastique est un algorithme d’optimisation souvent utilisé dans les applications machine learning pour trouver les paramètres de modèle qui correspondent au meilleur ajustement entre les sorties prédites et réelles. C’est une technique inexacte mais puissante.
TCNForecaster	TCNForecaster : Prévisionniste de réseaux convolutifs temporels. TODO : Demandez à l’équipe de prévision une brève introduction.
XGBoostRegressor	XGBoostRegressor : Extreme Gradient Boosting Regressor est un modèle Machine Learning supervisé utilisant un ensemble d’apprenants de base.