共用方式為


ForecastingModels type

定義 ForecastingModel 的值。
KnownForecastingModels 可以與 ForecastingModels 交替使用,此列舉包含服務支援的已知值。

服務支援的已知值

AutoArima:自動回歸整合式移動平均 (ARIMA) 模型會使用時間序列數據和統計分析來解譯數據並做出未來的預測。 此模型旨在藉由在其過去的值上使用時間序列數據來說明數據,並使用線性回歸來進行預測。
先知:先知是一種根據加法模型預測時間序列數據的程式,其中非線性趨勢符合每年、每周和每日季節性,加上假日效果。 它最適合時間序列具有強烈的季節性影響和數個歷史數據季節。 先知對遺漏數據及趨勢的轉變很強大,而且通常處理極端值。
貝里:「天真預測」模型會針對定型數據中的每個時間序列,提出最新的目標值來進行預測。
SeasonalNaive:季節性天真預測模型會針對定型數據中每個時間序列的最新目標值季進行預測。
Average:平均預測模型會根據定型數據中每個時間序列的目標值平均值來進行預測。
SeasonalAverage:季節性平均預測模型會根據定型數據中每個時間序列的最新一季數據的平均值來進行預測。
ExponentialSmoothing:指數平滑是單變數數據的時間序列預測方法,可擴充以支援具有系統趨勢或季節性元件的數據。
Arimax:自動回歸整合式移動平均與說明變數 (ARIMAX) 模型可視為具有一或多個自動回歸字詞和/或一或多個移動平均 (MA) 字詞的多個回歸模型。 當數據是固定/非靜止時,這個方法適用於預測數據,並搭配任何類型的數據模式進行多重變數,也就是層級/趨勢/季節性/週期性。
TCNForecaster: TCNForecaster: Temporal Convolutional Networks Forecaster. TODO:詢問預測小組以取得簡短簡介。
ElasticNet:彈性網是一種常見的正規化線性回歸類型,結合了兩個熱門的懲罰,特別是 L1 和 L2 懲罰函式。
GradientBoosting:將周學習者轉移至強式學習者的技術稱為「提升」。 漸層提升演算法程式適用於此執行理論。
DecisionTree:判定樹是用於分類和回歸工作的非參數監督式學習方法。 目標是建立模型,藉由學習從數據特徵推斷的簡單決策規則來預測目標變數的值。
KNN:K 近鄰 (KNN) 演算法會使用「特徵相似度」來預測新數據點的值,這進一步表示會根據新數據點與定型集中的點相近程度來指派值。
LassoLars:套索模型符合最低角度回歸 a.k.a. Lars。 它是使用 L1 定型的線性模型,先前為正則化程式。
新元:新元:隨機梯度下降是機器學習應用程式中經常用來尋找模型參數的優化演算法,其對應到預測和實際輸出之間最適配。 這是一種不精確的但功能強大的技術。
RandomForest:隨機樹系是受監督式學習演算法。 它所建置的「樹系」是判定樹的合奏,通常採用「裝訂」方法進行訓練。 bagging 方法的一般概念是學習模型的組合會增加整體結果。
ExtremeRandomTrees:極端樹狀結構是結合許多判定樹預測的合奏機器學習演算法。 它與廣泛使用的隨機樹系演算法有關。
LightGBM:LightGBM 是使用樹狀結構式學習演算法的漸層提升架構。
XGBoostRegressor: XGBoostRegressor: 極端漸層提升回歸輸入器是使用基底學習者合奏的受監督機器學習模型。

type ForecastingModels = string