ForecastingModels type
Define valores para ForecastingModels.
KnownForecastingModels pode ser usado de forma intercambiável com ForecastingModels, este enum contém os valores conhecidos que o serviço suporta.
Valores conhecidos suportados pelo serviço
AutoArima: O modelo ARIMA (Auto-Autoregressive Integrated Moving Average) usa dados de séries temporais e análise estatística para interpretar os dados e fazer previsões futuras.
Este modelo tem como objetivo explicar os dados usando dados de séries temporais sobre seus valores passados e usa regressão linear para fazer previsões.
Prophet: Prophet é um procedimento para prever dados de séries temporais com base em um modelo aditivo onde as tendências não lineares são ajustadas com a sazonalidade anual, semanal e diária, além de efeitos de férias.
Funciona melhor com séries temporais que têm fortes efeitos sazonais e várias estações de dados históricos. O Prophet é robusto para dados ausentes e mudanças na tendência, e normalmente lida bem com outliers.
Naive: O modelo de previsão Naive faz previsões transportando o valor alvo mais recente para cada série temporal nos dados de treinamento.
SeasonalNaive: O modelo de previsão Seasonal Naive faz previsões transportando a última temporada de valores-alvo para cada série temporal nos dados de treinamento.
médio: O modelo de previsão média faz previsões transportando a média dos valores-alvo para cada série temporal nos dados de treinamento.
SazonalAverage: O modelo de previsão da Média Sazonal faz previsões transportando para a frente o valor médio da última temporada de dados para cada série temporal nos dados de treinamento.
ExponentialSmoothing: A suavização exponencial é um método de previsão de séries temporais para dados univariados que pode ser estendido para suportar dados com uma tendência sistemática ou componente sazonal.
Arimax: Um modelo de média móvel integrada autorregressiva com variável explicativa (ARIMAX) pode ser visto como um modelo de regressão múltipla com um ou mais termos autorregressivos (AR) e/ou um ou mais termos de média móvel (MA).
Este método é adequado para prever quando os dados são estacionários/não estacionários e multivariados com qualquer tipo de padrão de dados, ou seja, nível/tendência/sazonalidade/ciclicidade.
TCNForecaster: TCNForecaster: Temporal Convolutional Networks Forecaster. TODO: Peça uma breve introdução à equipe de previsão.
ElasticNet: A rede elástica é um tipo popular de regressão linear regularizada que combina duas penalidades populares, especificamente as funções de penalidade L1 e L2.
GradientBoosting: A técnica de transitar os alunos da semana para um aluno forte é chamada de Boosting. O processo do algoritmo de aumento de gradiente trabalha nesta teoria de execução.
DecisionTree: As árvores de decisão são um método de aprendizagem supervisionada não paramétrico usado para tarefas de classificação e regressão.
O objetivo é criar um modelo que preveja o valor de uma variável de destino aprendendo regras de decisão simples inferidas a partir dos recursos de dados.
KNN: O algoritmo K-nearest neighbors (KNN) usa 'similaridade de recursos' para prever os valores de novos pontos de dados, o que significa ainda que o novo ponto de dados receberá um valor com base em quão próximo ele corresponde aos pontos no conjunto de treinamento.
LassoLars: O modelo de Lasso se encaixa com Regressão de Menor Ângulo, também conhecido como Lars. É um Modelo Linear treinado com um L1 prévio como regularizador.
SGD: SGD: Descida de gradiente estocástico é um algoritmo de otimização frequentemente usado em aplicações de aprendizado de máquina para encontrar os parâmetros do modelo que correspondem ao melhor ajuste entre as saídas previstas e reais.
É uma técnica inexata, mas poderosa.
RandomForest: Random forest é um algoritmo de aprendizagem supervisionada.
A "floresta" que constrói, é um conjunto de árvores de decisão, geralmente treinadas com o método do "ensacamento".
A ideia geral do método de ensacamento é que uma combinação de modelos de aprendizagem aumenta o resultado geral.
ExtremeRandomTrees: Extreme Trees é um algoritmo de aprendizado de máquina que combina as previsões de muitas árvores de decisão. Está relacionado com o algoritmo de floresta aleatória amplamente utilizado.
LightGBM: LightGBM é uma estrutura de aumento de gradiente que usa algoritmos de aprendizagem baseados em árvore.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor é um modelo de aprendizado de máquina supervisionado usando um conjunto de alunos básicos.
type ForecastingModels = string