ForecastingModels type
Определяет значения для Моделей Прогнозирования.
KnownForecastingModels можно использовать взаимозаменяемо с ForecastingModels. Это перечисление содержит известные значения, поддерживаемые службой.
Известные значения, поддерживаемые службой
AutoArima. Модель авторегистративной интегрированной скользящей средней (ARIMA) использует данные временных рядов и статистический анализ для интерпретации данных и прогнозирования в будущем.
Эта модель предназначена для объяснения данных с помощью данных временных рядов по их прошлым значениям и использует линейную регрессию для прогнозирования.
Пророк: Пророк — это процедура прогнозирования данных временных рядов на основе аддитивной модели, в которой нелинейные тенденции соответствуют ежегодной, еженедельной и ежедневной сезонности, а также праздничным эффектам.
Он лучше всего работает с временными рядами, которые имеют сильные сезонные эффекты и несколько сезонов исторических данных. Prophet надежен на отсутствие данных и сдвиги в тренде и, как правило, хорошо справляется с выбросами.
Наивно. Модель наивного прогнозирования делает прогнозы путем переноса последнего целевого значения для каждого временного ряда в обучающих данных.
SeasonNaive. Модель сезонного наивного прогнозирования делает прогнозы путем переноса последнего сезона целевых значений для каждого временного ряда в обучающих данных.
Среднее. Модель среднего прогнозирования делает прогнозы, перенося среднее значение целевых значений для каждого временного ряда в обучающих данных.
SeasonAverage. Модель прогнозирования сезонных средних делает прогнозы путем переноса среднего значения данных последнего сезона для каждого временного ряда в обучающих данных.
Экспоненциальное Сглаживание. Экспоненциальное сглаживание — это метод прогнозирования временных рядов для одномерных данных, который можно расширить для поддержки данных с систематической тенденцией или сезонным компонентом.
Arimax. Модель авторегистрированного интегрированного скользящего среднего с пояснительной переменной (ARIMAX) можно рассматривать как модель множественной регрессии с одним или несколькими терминами авторегистрирования (AR) и одним или несколькими терминами скользящего среднего (MA).
Этот метод подходит для прогнозирования, если данные являются стационарными или не стационарными и многопараметрическими с любым типом шаблона данных, т. е. с уровнем/трендом/сезонностью/цикличностью.
TCNForecaster: TCNForecaster: темпоральный прогнозист сверточных сетей. TODO: Обратитесь к группе прогнозов за кратким введением.
ElasticNet: Эластичная сеть — это популярный тип регуляризированной линейной регрессии, объединяющий две популярные штрафы, в частности функции штрафов L1 и L2.
GradientBoosting. Метод передачи учащихся недели в сильного учащегося называется Повышение. Алгоритм градиентного повышения работает на этой теории выполнения.
DecisionTree: деревья принятия решений — это непараметрический контролируемый метод обучения, используемый как для задач классификации, так и для регрессии.
Цель — создать модель, которая прогнозирует значение целевой переменной, изучая простые правила принятия решений, выведенные на основе признаков данных.
KNN. Алгоритм K-ближайших соседей (KNN) использует "сходство признаков" для прогнозирования значений новых точек данных, что означает, что новой точке данных будет присваиваться значение в зависимости от того, насколько близко она соответствует точкам в обучающем наборе.
LassoLars: модель лассо соответствует регрессии наименьшего угла, например Ларс. Это линейная модель, обученная с помощью ранее L1 в качестве регуляризатора.
SGD: SGD: стохастический градиентный спуск — это алгоритм оптимизации, который часто используется в приложениях машинного обучения для поиска параметров модели, которые соответствуют наилучшим образом между прогнозируемыми и фактическими выходными данными.
Это неточным, но мощным методом.
RandomForest: случайный лес — это контролируемый алгоритм обучения.
"Лес", который он создает, представляет собой совокупность деревьев принятия решений, обычно обученных с помощью метода bagging.
Общая идея метода bagging заключается в том, что сочетание моделей обучения увеличивает общий результат.
ExtremeRandomTrees: Extreme Trees — это ансамблейный алгоритм машинного обучения, объединяющий прогнозы из многих деревьев принятия решений. Она связана с широко используемым алгоритмом случайного леса.
LightGBM. LightGBM — это платформа повышения градиента, использующая алгоритмы обучения на основе дерева.
XGBoostRegressor: XGBoostRegressor: регрессор по повышению градиента — это контролируемая модель машинного обучения с использованием ансамбля базовых учащихся.
type ForecastingModels = string