ForecastingModel 構造体

定義

名前空間:

Azure.ResourceManager.MachineLearning.Models

アセンブリ:

Azure.ResourceManager.MachineLearning.dll

パッケージ:

Azure.ResourceManager.MachineLearning v1.1.1

Source:

ForecastingModel.cs

AutoML でサポートされているすべての予測モデルの列挙型。

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

type ForecastingModel = struct

Public Structure ForecastingModel
Implements IEquatable(Of ForecastingModel)

継承

ValueType

ForecastingModel

実装

IEquatable<ForecastingModel>

コンストラクター

ForecastingModel(String)

ForecastingModel の新しいインスタンスを初期化します。

プロパティ

Arimax	説明変数付き自動回帰統合移動平均 (ARIMAX) モデルは、1 つ以上の自動回帰 (AR) 項および/または 1 つ以上の移動平均 (MA) 項を持つ重回帰モデルとして表示できます。 この方法は、データが静止/非固定の場合の予測に適しており、任意の種類のデータ パターン (レベル/傾向/季節性/循環性) を持つ多変量に適しています。
AutoArima	自動回帰統合移動平均 (ARIMA) モデルでは、時系列データと統計分析を使用してデータを解釈し、将来の予測を行います。 このモデルは、過去の値に関する時系列データを使用してデータを説明することを目的とし、線形回帰を使用して予測を行います。
Average	平均予測モデルは、トレーニング データ内の各時系列のターゲット値の平均を繰り越すことによって予測を行います。
DecisionTree	デシジョン ツリーは、分類タスクと回帰タスクの両方に使用されるノンパラメトリック教師あり学習方法です。 目標は、データ特徴から推論される単純な決定ルールを学習することで、ターゲット変数の値を予測するモデルを作成することです。
ElasticNet	エラスティック ネットは、一般的な 2 つのペナルティ (特に L1 と L2 のペナルティ関数) を組み合わせた一般的なタイプの正則線形回帰です。
ExponentialSmoothing	指数平滑化は、一変量データの時系列予測方法であり、体系的な傾向または季節的なコンポーネントを持つデータをサポートするように拡張できます。
ExtremeRandomTrees	エクストリーム ツリーは、多くのデシジョン ツリーからの予測を組み合わせたアンサンブル 機械学習アルゴリズムです。 これは、広く使用されているランダム フォレスト アルゴリズムに関連しています。
GradientBoosting	週の学習者を強力な学習者に転送する手法は、Boosting と呼ばれます。 勾配ブースティング アルゴリズム プロセスは、この実行理論で機能します。
KNN	K ニアレスト ネイバー (KNN) アルゴリズムでは、"特徴類似性" を使用して新しいデータ ポイントの値を予測します。これは、新しいデータ ポイントがトレーニング セット内のポイントとどれだけ一致するかに基づいて値が割り当てられることを意味します。
LassoLars	なげなわモデルは、最小角度回帰 a.k.a. Lars に適合します。 これは、正則化の前に L1 でトレーニングされた線形モデルです。
LightGBM	LightGBM は、ツリー ベースの学習アルゴリズムを使用する勾配ブースティング フレームワークです。
Naive	Naive 予測モデルでは、トレーニング データ内で時系列ごとに最新のターゲット値を繰り越して予測を行います。
Prophet	預言者は、非線形の傾向が年、週、日の季節性に加えて休日の影響に適合する加法モデルに基づいて時系列データを予測する手順です。 季節的な影響が強く、いくつかの季節の履歴データを含む時系列で最適に機能します。 預言者はデータの欠落や傾向の変化に強く、通常は外れ値を適切に処理します。
RandomForest	ランダム フォレストは、教師あり学習アルゴリズムです。 構築する "フォレスト" はデシジョン ツリーのアンサンブルであり、通常は袋詰め方法でトレーニングされます。 バギング方法の一般的な考え方は、学習モデルの組み合わせによって全体的な結果が増加することです。
SeasonalAverage	季節平均予測モデルは、トレーニング データ内の各時系列のデータの最新の季節の平均値を繰り越すことによって予測を行います。
SeasonalNaive	Seasonal Naive 予測モデルでは、トレーニング データ内で時系列ごとに最新の季節のターゲット値を繰り越して予測を行います。
SGD	SGD: 確率勾配降下法は、機械学習アプリケーションでよく使用される最適化アルゴリズムであり、予測された出力と実際の出力の最適な適合に対応するモデル パラメーターを検索します。 これは、不正確だが強力な手法です。
TCNForecaster	TCNForecaster: テンポラル畳み込みネットワーク予測ツール。 TODO: 予測チームに簡単な概要を尋ねます。
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor は、基本学習者のアンサンブルを使用した教師あり機械学習モデルです。

メソッド

Equals(ForecastingModel)	現在のオブジェクトが、同じ型の別のオブジェクトと等しいかどうかを示します。
ToString()	このインスタンスの完全修飾型名を返します。

演算子

Equality(ForecastingModel, ForecastingModel)	2 つの ForecastingModel 値が同じかどうかを判断します。
Implicit(String to ForecastingModel)	文字列を ForecastingModel に変換します。
Inequality(ForecastingModel, ForecastingModel)	2 つの ForecastingModel 値が同じでないかどうかを判断します。