ForecastingModels type
Define valores para ForecastingModels.
KnownForecastingModels se puede usar indistintamente con ForecastingModels; esta enumeración contiene los valores conocidos que admite el servicio.
Valores conocidos admitidos por el servicio
AutoArima: el modelo de media móvil integrada (ARIMA) auto-autorregresiva usa datos de series temporales y análisis estadísticos para interpretar los datos y realizar predicciones futuras.
Este modelo pretende explicar los datos mediante el uso de datos de series temporales en sus valores anteriores y usa la regresión lineal para realizar predicciones.
Profeta: Prophet es un procedimiento para predecir los datos de series temporales en función de un modelo aditivo en el que las tendencias no lineales se ajustan a la estacionalidad anual, semanal y diaria, además de los efectos vacacionales.
Funciona mejor con series temporales que tienen efectos estacionales fuertes y varias estaciones de datos históricos. Prophet es sólido para faltar datos y cambios en la tendencia, y normalmente controla bien los valores atípicos.
Naive: el modelo de previsión naive realiza predicciones llevando al día el valor de destino más reciente para cada serie temporal en los datos de entrenamiento.
SeasonalNaive: el modelo de previsión naive estacional realiza predicciones llevando a cabo la última temporada de valores de destino para cada serie temporal en los datos de entrenamiento.
Promedio: el modelo de previsión promedio realiza predicciones llevando a cabo el promedio de los valores de destino para cada serie temporal en los datos de entrenamiento.
EstacionalAverage: el modelo de previsión media estacional realiza predicciones llevando al día el valor medio de la última temporada de datos para cada serie temporal en los datos de entrenamiento.
ExponentialSmoothing: el suavizado exponencial es un método de previsión de series temporales para datos univariante que se pueden ampliar para admitir datos con una tendencia sistemática o un componente estacional.
Arimax: un modelo de media móvil integrada autorregresiva con variable explicativa (ARIMAX) se puede ver como un modelo de regresión múltiple con uno o varios términos de regresión automática (AR) o uno o varios términos de media móvil (MA).
Este método es adecuado para la previsión cuando los datos son estáticos o no estáticos y multivariante con cualquier tipo de patrón de datos, es decir, level/trend /seasonality/cíclica.
TCNForecaster: TCNForecaster: Previsión de redes convolucionales temporales. TAREAS PENDIENTES: Pida al equipo de previsión una breve introducción.
ElasticNet: Elastic net es un tipo popular de regresión lineal regularizada que combina dos penalizaciones populares, específicamente las funciones de penalización L1 y L2.
GradientBoosting: la técnica de transitar alumnos de la semana en un aprendiz fuerte se denomina Boosting. El proceso del algoritmo de potenciación de degradado funciona en esta teoría de ejecución.
DecisionTree: los árboles de decisión son un método de aprendizaje supervisado no paramétrico que se usa para las tareas de clasificación y regresión.
El objetivo es crear un modelo que prediga el valor de una variable de destino mediante el aprendizaje de reglas de decisión sencillas inferidas de las características de datos.
KNN: el algoritmo de vecinos más próximos (KNN) usa la "similitud de características" para predecir los valores de nuevos puntos de datos, lo que significa que al nuevo punto de datos se le asignará un valor en función de lo estrechamente que coincida con los puntos del conjunto de entrenamiento.
LassoLars: modelo lasso encaja con regresión de ángulo mínimo a.k.a. Lars. Es un modelo lineal entrenado con un L1 anterior como regularizador.
SGD: SGD: Descenso de gradiente estocástico es un algoritmo de optimización que se usa a menudo en las aplicaciones de aprendizaje automático para encontrar los parámetros del modelo que corresponden al mejor ajuste entre las salidas predichos y reales.
Es una técnica inexacta pero poderosa.
RandomForest: el bosque aleatorio es un algoritmo de aprendizaje supervisado.
El "bosque" que crea es un conjunto de árboles de decisión, normalmente entrenados con el método "etiquetado".
La idea general del método de etiquetado es que una combinación de modelos de aprendizaje aumenta el resultado general.
ExtremeRandomTrees: Los árboles extremos son un algoritmo de aprendizaje automático de conjunto que combina las predicciones de muchos árboles de decisión. Está relacionado con el algoritmo de bosque aleatorio ampliamente utilizado.
LightGBM: LightGBM es un marco de potenciación de degradado que usa algoritmos de aprendizaje basados en árboles.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor es un modelo de aprendizaje automático supervisado mediante el conjunto de aprendices base.
type ForecastingModels = string