ForecastingModels type
Az ForecastingModels értékeit határozza meg.
KnownForecastingModels felcserélhető az ForecastingModels szolgáltatással, ez a szám tartalmazza a szolgáltatás által támogatott ismert értékeket.
A szolgáltatás által támogatott ismert értékek
AutoArima: Az autoregresszív integrált mozgóátlag (ARIMA) modell idősoros adatokat és statisztikai elemzéseket használ az adatok értelmezéséhez és jövőbeli előrejelzések készítéséhez.
Ez a modell az adatok magyarázatára törekszik a múltbeli értékek idősoradataival, és lineáris regressziót használ az előrejelzések készítéséhez.
Próféta: A Próféta egy olyan eljárás az idősoradatok előrejelzésére egy additív modell alapján, ahol a nem lineáris trendek illeszkednek az éves, heti és napi szezonalitáshoz, valamint az ünnepi hatásokhoz.
A legjobban olyan idősorokkal működik, amelyek erős szezonális hatással és számos előzményadat-szezonnal rendelkeznek. A Prophet robusztus az adatok hiányára és a trendváltásokra, és általában jól kezeli a kiugró értékeket.
Naive: A Naive előrejelzési modell úgy készít előrejelzéseket, hogy a betanítási adatok minden egyes idősorához a legújabb célértéket továbbítja.
SeasonalNaive: A szezonális naiv előrejelzési modell úgy készít előrejelzéseket, hogy a betanítási adatokban az egyes idősorok célértékeinek legújabb szezonját továbbítja.
Átlagos: Az átlagos előrejelzési modell úgy készít előrejelzéseket, hogy a betanítási adatokban az egyes idősorok célértékeinek átlagát továbbítja.
SeasonalAverage: A szezonális átlagos előrejelzési modell úgy készít előrejelzéseket, hogy a betanítási adatok minden egyes idősorához a legújabb adatsorok átlagos értékét továbbítja.
ExponenciálisSmoothing: Az exponenciális simítás egy idősor-előrejelzési módszer az egyváltozós adatokhoz, amelyek kiterjeszthetők egy szisztematikus trendet vagy szezonális összetevőt használó adatok támogatására.
Arimax: Az automatikusan integrált mozgóátlag magyarázó változóval (ARIMAX) rendelkező modell több regressziós modellként tekinthető meg egy vagy több autoregresszív (AR) kifejezéssel és/vagy egy vagy több mozgóátlag (MA) kifejezéssel.
Ez a módszer alkalmas előrejelzésre, ha az adatok helyhez kötöttek/nem helyhez kötöttek, és többváltozósak bármilyen típusú adatmintával, például szint/trend /szezonalitás/ciklikusság esetén.
TCNForecaster: TCNForecaster: Időbeli konvolúciós hálózatok előrejelzője. TODO: Kérjen rövid bevezetést az előrejelzési csapattól.
ElasticNet: A rugalmas háló a rendszeresített lineáris regresszió népszerű típusa, amely két népszerű büntetést kombinál, különösen az L1 és L2 büntetési függvényeket.
GradientBoosting: A hét tanulóinak egy erős tanulóba való átvitelének technikáját boosting-nak nevezzük. A színátmenet-növelő algoritmus folyamata ezen a végrehajtási elméleten működik.
DecisionTree: A döntési fák a besorolási és regressziós feladatokhoz egyaránt használt nem parametrikus felügyelt tanulási módszer.
A cél egy olyan modell létrehozása, amely előrejelzi a célváltozó értékét az adatfunkciókból levont egyszerű döntési szabályok elsajátításával.
KNN-: A K-legközelebbi szomszédok (KNN) algoritmus a "funkció-hasonlóság" használatával előrejelzi az új adatpontok értékeit, ami azt is jelenti, hogy az új adatponthoz egy olyan érték lesz hozzárendelve, amely a betanítási csoportban lévő pontokhoz való szorosan illeszkedik.
LassoLars: A lasso modell illeszkedik a Legkisebb szögű regresszióhoz, más néven Larshoz. Ez egy lineáris modell, amely egy L1-előddel van betanítve rendszeresítőként.
SGD: SGD: A sztochasztikus gradiens-süllyedés egy optimalizálási algoritmus, amelyet a gépi tanulási alkalmazások gyakran használnak az előrejelzett és a tényleges kimenetek közötti legjobb illeszkedésnek megfelelő modellparaméterek megtalálásához.
Ez egy nem praktikus, de hatékony technika.
RandomForest: A Véletlenszerű erdő egy felügyelt tanulási algoritmus.
Az általa épített "erdő" döntési fák együttese, amely általában a "zsákolás" módszerrel van betanítve.
A zsákolásos módszer általános elképzelése, hogy a tanulási modellek kombinációja növeli az általános eredményt.
ExtremeRandomTrees: Az Extreme Trees egy együttes gépi tanulási algoritmus, amely számos döntési fa előrejelzéseit egyesíti. Ez a széles körben használt véletlenszerű erdő algoritmushoz kapcsolódik.
LightGBM: A LightGBM egy faalapú tanulási algoritmusokat használó színátmenet-növelő keretrendszer.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor egy felügyelt gépi tanulási modell, amely az alaptanulók együttesét használja.
type ForecastingModels = string