KnownForecastingModels enum

Paquet:

@azure/arm-machinelearning

Valeurs connues de ForecastingModels que le service accepte.

Champs

Arimax	Un modèle ARIMAX (Autoregressive Integrated Moving Average with Explanatory Variable) peut être considéré comme un modèle de régression multiple avec un ou plusieurs termes autorégressifs (AR) et/ou un ou plusieurs termes de moyenne mobile (MA). Cette méthode convient à la prévision lorsque les données sont stationnaires/non stationnaires et multivariées avec n’importe quel type de modèle de données, c’est-à-dire niveau/tendance /saisonnalité/cyclique.
AutoArima	Le modèle de moyenne mobile intégrée intégrée autorégressive (ARIMA) utilise des données de série chronologique et une analyse statistique pour interpréter les données et effectuer des prédictions futures. Ce modèle vise à expliquer les données à l’aide de données de série chronologique sur ses valeurs passées et utilise la régression linéaire pour effectuer des prédictions.
Average	Le modèle de prévision moyenne effectue des prédictions en transférant la moyenne des valeurs cibles pour chaque série chronologique dans les données d’entraînement.
DecisionTree	Les arbres de décision sont une méthode d’apprentissage supervisée non paramétrique utilisée pour les tâches de classification et de régression. L’objectif est de créer un modèle qui prédit la valeur d’une variable cible en apprenant des règles de décision simples déduites des fonctionnalités de données.
ElasticNet	Le net élastique est un type populaire de régression linéaire régulière qui combine deux pénalités populaires, en particulier les fonctions de pénalité L1 et L2.
ExponentialSmoothing	Le lissage exponentiel est une méthode de prévision de série chronologique pour les données univariées qui peuvent être étendues pour prendre en charge les données avec une tendance systématique ou un composant saisonnier.
ExtremeRandomTrees	Extreme Trees est un algorithme d’apprentissage automatique d’ensemble qui combine les prédictions de nombreux arbres de décision. Il est lié à l’algorithme de forêt aléatoire largement utilisé.
GradientBoosting	La technique de transit des apprenants de semaine dans un apprenant fort est appelée Boosting. Le processus d’algorithme de renforcement de dégradé fonctionne sur cette théorie de l’exécution.
KNN	L’algorithme K-nearest voisin (KNN) utilise la « similarité des caractéristiques » pour prédire les valeurs des nouveaux points de données, ce qui signifie que le nouveau point de données sera attribué une valeur en fonction de la façon dont il correspond aux points dans le jeu d’entraînement.
LassoLars	Le modèle Lasso s’adapte à la régression d’angle minimum a.k.a. Lars. Il s’agit d’un modèle linéaire entraîné avec un L1 antérieur comme normaliseur.
LightGBM	LightGBM est un framework de renforcement de dégradé qui utilise des algorithmes d’apprentissage basé sur des arborescences.
Naive	Le modèle de prévision naive effectue des prédictions en transférant la dernière valeur cible pour chaque série chronologique dans les données d’apprentissage.
Prophet	Le prophète est une procédure de prévision des données de série chronologique basées sur un modèle additif où les tendances non linéaires sont adaptées à la saisonnalité annuelle, hebdomadaire et quotidienne, ainsi qu’aux effets des vacances. Il fonctionne mieux avec les séries chronologiques qui ont des effets saisonniers forts et plusieurs saisons de données historiques. Le prophète est robuste pour les données manquantes et les changements dans la tendance, et gère généralement les valeurs hors norme.
RandomForest	La forêt aléatoire est un algorithme d’apprentissage supervisé. La « forêt » qu’il construit est un ensemble d’arbres de décision, généralement formé avec la méthode « bagging ». L’idée générale de la méthode de bagging est qu’une combinaison de modèles d’apprentissage augmente le résultat global.
SeasonalAverage	Le modèle de prévision de la moyenne saisonnière effectue des prédictions en transférant la valeur moyenne de la dernière saison des données pour chaque série chronologique dans les données d’entraînement.
SeasonalNaive	Le modèle de prévision naive saisonnière effectue des prédictions en transférant la dernière saison des valeurs cibles pour chaque série chronologique dans les données d’entraînement.
SGD	SGD : la descente de dégradé stochastique est un algorithme d’optimisation souvent utilisé dans les applications Machine Learning pour trouver les paramètres de modèle qui correspondent au meilleur ajustement entre les sorties prédites et réelles. C’est une technique inexacte mais puissante.
TCNForecaster	TCNForecaster : Prévision de réseaux convolutionnels temporels. TODO : Demandez à l’équipe de prévision une brève introduction.
XGBoostRegressor	XGBoostRegressor : Extreme Gradient Boosting Regressor est un modèle machine learning supervisé à l’aide d’un ensemble d’apprenants de base.