ForecastingModels type
Definiuje wartości modelu ForecastingModels.
Wyliczenie KnownForecastingModels może być używane zamiennie z modelami ForecastingModel. Wyliczenie zawiera znane wartości obsługiwane przez usługę.
Znane wartości obsługiwane przez usługę
AutoArima: model automatycznej autoregresywnej zintegrowanej średniej ruchomej (ARIMA) używa danych szeregów czasowych i analizy statystycznej do interpretowania danych i tworzenia przyszłych przewidywań.
Ten model ma na celu wyjaśnienie danych przy użyciu danych szeregów czasowych na poprzednich wartościach i używa regresji liniowej do przewidywania.
Prorok: Prorok to procedura prognozowania danych szeregów czasowych na podstawie modelu addytywnego, w którym trendy nieliniowe są dopasowane do rocznej, tygodniowej i dziennej sezonowości oraz efektów świątecznych.
Działa najlepiej z szeregami czasowymi, które mają silne efekty sezonowe i kilka sezonów danych historycznych. Prorok jest niezawodny w przypadku braku danych i zmian trendu i zazwyczaj dobrze obsługuje wartości odstające.
Naiwny: Model prognozowania naiwnego tworzy przewidywania, przenosząc najnowszą wartość docelową dla każdej serii czasowej w danych treningowych.
SeasonalNaive: Model sezonowej prognozowania naiwnego tworzy przewidywania, przenosząc do przodu najnowszy sezon wartości docelowych dla każdej serii czasowej w danych treningowych.
Średnia: Model prognozowania średniej tworzy przewidywania, przenosząc średnią wartości docelowych dla każdej serii czasowej w danych treningowych.
Sezonowa średnia: model prognozowania średniej sezonowej tworzy przewidywania, przenosząc średnią wartość najnowszego sezonu danych dla każdej serii czasowej w danych treningowych.
ExponentialSmoothing: Wygładzanie wykładnicze to metoda prognozowania szeregów czasowych dla niewariancji danych, które można rozszerzyć w celu obsługi danych z systematycznym trendem lub składnikiem sezonowym.
Arimax: Model zintegrowanej średniego ruchu autoregresywnego ze zmienną objaśniającą (ARIMAX) może być postrzegany jako model regresji wielokrotnej z co najmniej jednym terminem autoregresywnym (AR) i/lub co najmniej jednym terminem średniej ruchomej (MA).
Ta metoda jest odpowiednia do prognozowania, gdy dane są nieruchome/nieruchome i wielowariancja z dowolnym typem wzorca danych, tj. poziom/trend /sezonowość/cykliczność.
TCNForecaster: TCNForecaster: Czasowy prognostyk sieci konwolucyjnych. TODO: Zapytaj zespół prognozowania o krótkie wprowadzenie.
ElasticNet: Sieć elastyczna jest popularnym typem regresji liniowej regularyzowanej, która łączy dwie popularne kary, w szczególności funkcje kary L1 i L2.
GradientBoosting: Technika przechodzenia tygodni uczących się do silnego ucznia nazywa się Boosting. Proces algorytmu zwiększania gradientu działa na tej teorii wykonywania.
DecisionTree: Drzewa decyzyjne to nieparametryczna metoda uczenia nadzorowanego używana zarówno do zadań klasyfikacji, jak i regresji.
Celem jest utworzenie modelu, który przewiduje wartość zmiennej docelowej przez uczenie się prostych reguł decyzyjnych wywnioskowanych z funkcji danych.
KNN: algorytm K najbliższych sąsiadów (KNN) używa "podobieństwa cech", aby przewidzieć wartości nowych punktów danych, co dodatkowo oznacza, że nowy punkt danych zostanie przypisany wartość na podstawie tego, jak ściśle pasuje do punktów w zestawie treningowym.
LassoLars: Model Lasso pasuje do regresji najmniejszych kątów a.k.a. Lars. Jest to model liniowy trenowany z L1 wcześniej jako regularyzator.
SGD: SGD: Stochastic gradient spadek jest algorytmem optymalizacji często używanym w aplikacjach uczenia maszynowego do znajdowania parametrów modelu, które odpowiadają najlepszemu dopasowaniu między przewidywanymi i rzeczywistymi danymi wyjściowymi.
Jest to nieistniena, ale potężna technika.
RandomForest: las losowy jest algorytmem uczenia nadzorowanego.
"Las", który buduje, jest zespołem drzew decyzyjnych, zwykle wyszkolonych za pomocą metody "bagging".
Ogólną ideą metody baggingu jest to, że połączenie modeli uczenia zwiększa ogólny wynik.
ExtremeRandomTrees: Extreme Trees to algorytm uczenia maszynowego, który łączy przewidywania z wielu drzew decyzyjnych. Jest to związane z powszechnie używanym algorytmem lasu losowego.
LightGBM: LightGBM to struktura zwiększająca gradient, która korzysta z algorytmów uczenia opartego na drzewie.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor to nadzorowany model uczenia maszynowego korzystający z zestawu uczniów podstawowych.
type ForecastingModels = string