ForecastingModels type

Paket:

@azure/arm-machinelearning

Definierar värden för ForecastingModels.
KnownForecastingModels kan användas utbytbart med ForecastingModels. Det här uppräkningen innehåller de kända värden som tjänsten stöder.

Kända värden som stöds av tjänsten

AutoArima: ARIMA-modellen (Auto-Autoregressive Integrated Moving Average) använder tidsseriedata och statistisk analys för att tolka data och göra framtida förutsägelser. Den här modellen syftar till att förklara data med hjälp av tidsseriedata på dess tidigare värden och använder linjär regression för att göra förutsägelser.
Profeten: Profeten är ett förfarande för att förutsäga tidsseriedata baserat på en additiv modell där icke-linjära trender passar med års-, vecko- och dagssäsong, plus semestereffekter. Det fungerar bäst med tidsserier som har starka säsongseffekter och flera säsonger av historiska data. Prophet är robust när det gäller saknade data och förändringar i trenden och hanterar vanligtvis extremvärden väl.
Naive: Naive-prognosmodellen gör förutsägelser genom att överföra det senaste målvärdet för varje tidsserie i träningsdata.
SeasonalNaive: Prognosmodellen Seasonal Naive gör förutsägelser genom att föra fram den senaste säsongen av målvärden för varje tidsserie i träningsdata.
Genomsnitt: Den genomsnittliga prognosmodellen gör förutsägelser genom att överföra medelvärdet av målvärdena för varje tidsserie i träningsdata.
SeasonalAverage: Prognosmodellen Säsongsgenomsnitt gör förutsägelser genom att överföra det genomsnittliga värdet för den senaste datasäsongen för varje tidsserie i träningsdata.
ExponentialSmoothing: Exponentiell utjämning är en tidsserieprognosmetod för univariate-data som kan utökas för att stödja data med en systematisk trend eller säsongskomponent.
Arimax: En modell för autoregressivt integrerat glidande medelvärde med förklarande variabel (ARIMAX) kan ses som en modell med flera regressioner med en eller flera autoregressiva termer (AR) och/eller en eller flera ma-termer (glidande medelvärde). Den här metoden är lämplig för prognostisering när data är stationära/icke stationära och multivarierar med alla typer av datamönster, t.ex. nivå/trend/säsongsvariation/cyklicitet.
TCNForecaster: TCNForecaster: Temporal Convolutional Networks Forecaster. ATT GÖRA: Be prognosteamet om kort introduktion.
ElasticNet: Elastiskt nät är en populär typ av regulariserad linjär regression som kombinerar två populära straff, särskilt L1- och L2-strafffunktionerna.
GradientBoosting: Tekniken för att föra över veckostårarna till en stark elev kallas Förstärkning. Algoritmprocessen för toningshöjande fungerar med den här körningsteorin.
DecisionTree: Decision Trees är en icke-parametrisk övervakad inlärningsmetod som används för både klassificerings- och regressionsaktiviteter. Målet är att skapa en modell som förutsäger värdet för en målvariabel genom att lära sig enkla beslutsregler som härleds från datafunktionerna.
KNN: KNN-algoritmen (K-nearest neighbors) använder "funktionslikhet" för att förutsäga värdena för nya datapunkter, vilket ytterligare innebär att den nya datapunkten tilldelas ett värde baserat på hur nära den matchar punkterna i träningsuppsättningen.
LassoLars: Lassomodell som passar med Least Angle Regression a.k.a. Lars. Det är en linjär modell som tränats med en L1 tidigare som regularizer.
SGD: SGD: Stochastic gradient descent är en optimeringsalgoritm som ofta används i maskininlärningsprogram för att hitta de modellparametrar som passar bäst mellan förutsagda och faktiska utdata. Det är en inexakt men kraftfull teknik.
RandomForest: Slumpmässig skog är en övervakad inlärningsalgoritm. Den "skog" som den bygger, är en ensemble av beslutsträd, vanligtvis tränad med metoden "bagging". Den allmänna idén med påse-metoden är att en kombination av inlärningsmodeller ökar det övergripande resultatet.
ExtremeRandomTrees: Extreme Trees är en maskininlärningsalgoritm för ensembler som kombinerar förutsägelserna från många beslutsträd. Den är relaterad till den ofta använda slumpmässiga skogsalgoritmen.
LightGBM: LightGBM är ett gradient boost-ramverk som använder trädbaserade inlärningsalgoritmer.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor är en övervakad maskininlärningsmodell som använder ensemblen av grundläggande elever.

type ForecastingModels = string