ForecastingModels type
تعريف قيم ForecastingModels.
KnownForecastingModels يمكن استخدامها بالتبادل مع ForecastingModels، يحتوي هذا التعداد على القيم المعروفة التي تدعمها الخدمة.
القيم المعروفة التي تدعمها الخدمة
AutoArima: يستخدم نموذج متوسط النقل المتكامل للتراجع التلقائي (ARIMA) بيانات السلسلة الزمنية والتحليل الإحصائي لتفسير البيانات وإجراء تنبؤات مستقبلية.
يهدف هذا النموذج إلى شرح البيانات باستخدام بيانات السلاسل الزمنية على قيمها السابقة ويستخدم الانحدار الخطي لإجراء تنبؤات.
النبي: النبي هو إجراء للتنبؤ ببيانات السلسلة الزمنية استنادا إلى نموذج إضافي حيث تتلاءم الاتجاهات غير الخطية مع الموسمية السنوية والأسبوعية ويومية، بالإضافة إلى تأثيرات العطلات.
وهو يعمل بشكل أفضل مع السلاسل الزمنية التي لها تأثيرات موسمية قوية وعدة مواسم من البيانات التاريخية. النبي قوي في فقدان البيانات والتحولات في الاتجاه، وعادة ما يتعامل مع القيم المتطرفة بشكل جيد.
Naive: يقوم نموذج التنبؤ Naive بإجراء تنبؤات من خلال المضي قدما بأحدث قيمة مستهدفة لكل سلسلة زمنية في بيانات التدريب.
SeasonalNaive: يقوم نموذج التنبؤ الناقص الموسمي بإجراء تنبؤات من خلال المضي قدما في أحدث موسم من القيم المستهدفة لكل سلسلة زمنية في بيانات التدريب.
متوسط: يقوم نموذج متوسط التنبؤ بإجراء تنبؤات من خلال المضي قدما في متوسط القيم المستهدفة لكل سلسلة زمنية في بيانات التدريب.
SeasonalAverage: يقوم نموذج التنبؤ بالمتوسط الموسمي بإجراء تنبؤات من خلال المضي قدما في متوسط قيمة أحدث موسم من البيانات لكل سلسلة زمنية في بيانات التدريب.
الأسي: التجانس الأسي هو طريقة تنبؤ سلسلة زمنية للبيانات أحادية المتغيرات التي يمكن توسيعها لدعم البيانات ذات الاتجاه المنتظم أو المكون الموسمي.
Arimax: يمكن عرض نموذج معدل النقل المتكامل للتراجع التلقائي مع المتغير التوضيحي (ARIMAX) كنموذج انحدار متعدد مع واحد أو أكثر من شروط الانحدار التلقائي (AR) و/أو واحد أو أكثر من شروط المتوسط المتحرك (MA).
هذه الطريقة مناسبة للتنبؤ عندما تكون البيانات ثابتة/غير ثابتة، ومتعدد المتغيرات مع أي نوع من أنماط البيانات، أي المستوى/الاتجاه /الموسمية/الدورية.
TCNForecaster: TCNForecaster: تنبؤ الشبكات الالتفافية الزمنية. TODO: اطلب من فريق التنبؤ مقدمة موجزة.
ElasticNet: شبكة مرنة هي نوع شائع من الانحدار الخطي المنتظم الذي يجمع بين اثنتين من العقوبات الشائعة، وتحديدا وظائف عقوبة L1 وL2.
GradientBoosting: تسمى تقنية عبور متعلمي الأسبوع إلى متعلم قوي تعزيز. تعمل عملية الخوارزمية المعززة للتدرج على نظرية التنفيذ هذه.
DecisionTree: أشجار القرار هي طريقة تعلم خاضعة للإشراف غير المعلمي تستخدم لكل من مهام التصنيف والانحدار.
الهدف هو إنشاء نموذج يتنبأ بقيمة المتغير الهدف من خلال تعلم قواعد القرار البسيطة المستنتجة من ميزات البيانات.
KNN: تستخدم خوارزمية أقرب الجيران (KNN) "تشابه الميزات" للتنبؤ بقيم نقاط البيانات الجديدة مما يعني أيضا أنه سيتم تعيين قيمة لنقطة البيانات الجديدة استنادا إلى مدى تطابقها مع النقاط في مجموعة التدريب.
LassoLars: يتناسب نموذج Lasso مع تراجع الزاوية الأقل a.k.a. Lars. إنه نموذج خطي مدرب مع L1 قبل كمنتظم.
SGD: SGD: الانخفاض المتدرج العشوائي هو خوارزمية تحسين تستخدم غالبا في تطبيقات التعلم الآلي للعثور على معلمات النموذج التي تتوافق مع أفضل ملاءمة بين المخرجات المتوقعة والفعلية.
إنها تقنية غير نشطة ولكنها قوية.
RandomForest: الغابة العشوائية هي خوارزمية تعلم خاضعة للإشراف.
"الغابة" التي تبنيها، هي مجموعة من أشجار القرار، وعادة ما يتم تدريبها باستخدام طريقة "وضع العلامات".
الفكرة العامة لأسلوب وضع العلامات هي أن مجموعة من نماذج التعلم تزيد من النتيجة الإجمالية.
ExtremeRandomTrees: يعد Extreme Trees خوارزمية التعلم الآلي التي تجمع بين التنبؤات من العديد من أشجار القرار. وهو مرتبط خوارزمية الغابة العشوائية المستخدمة على نطاق واسع.
LightGBM: LightGBM هو إطار عمل تعزيز متدرج يستخدم خوارزميات التعلم المستندة إلى الشجرة.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor هو نموذج تعلم آلي خاضع للإشراف باستخدام مجموعة من المتعلمين الأساسيين.
type ForecastingModels = string