ForecastingModels type
Definisce i valori per ForecastingModels.
KnownForecastingModels può essere usato in modo intercambiabile con ForecastingModels, questa enumerazione contiene i valori noti supportati dal servizio.
Valori noti supportati dal servizio
autoArima: il modello ARIMA (Auto-Autoregressive Integrated Moving Average) usa i dati delle serie temporali e l'analisi statistica per interpretare i dati ed eseguire stime future.
Questo modello mira a spiegare i dati usando i dati delle serie temporali sui valori precedenti e usa la regressione lineare per eseguire stime.
Profeta: Profeta è una procedura per prevedere i dati delle serie temporali in base a un modello aggiuntivo in cui le tendenze non lineari sono adatte alla stagionalità annuale, settimanale e giornaliera, oltre agli effetti delle festività.
Funziona meglio con le serie temporali con forti effetti stagionali e diverse stagioni di dati cronologici. Profeta è affidabile per i dati mancanti e i cambiamenti nella tendenza, e in genere gestisce bene gli outlier.
Naive: il modello di previsione Naive esegue stime portando avanti il valore di destinazione più recente per ogni serie temporale nei dati di training.
SeasonalNaive: il modello di previsione Stagionale Naive effettua stime portando avanti l'ultima stagione di valori di destinazione per ogni serie temporale nei dati di training.
Media: il modello di previsione media esegue stime portando avanti la media dei valori di destinazione per ogni serie temporale nei dati di training.
SeasonalAverage: il modello di previsione stagionale media effettua stime portando avanti il valore medio dell'ultima stagione di dati per ogni serie temporale nei dati di training.
exponentialSmoothing: lo smoothing esponenziale è un metodo di previsione delle serie temporali per i dati univariati che possono essere estesi per supportare i dati con una tendenza sistematica o un componente stagionale.
Arimax: un modello ARIMAX (Integrated Moving Average) autoregressivo con una variabile esplicativa (ARIMAX) può essere considerato come un modello di regressione multiplo con uno o più termini ar (autoregressive) e/o uno o più termini di media mobile (MA).
Questo metodo è adatto per la previsione quando i dati sono stazionari/non stazionari e multivariati con qualsiasi tipo di modello di dati, ad esempio level/trend /seasonality/cyclicity.
TCNForecaster: TCNForecaster: Previsione reti convoluzionali temporali. TODO: chiedere al team di previsione per una breve introduzione.
ElasticNet: elastic net è un tipo comune di regressione lineare regolarizzata che combina due penalità comuni, in particolare le funzioni di penalità L1 e L2.
GradientBoosting: la tecnica di transito degli studenti delle settimane in un forte apprendimento è denominata Boosting. Il processo dell'algoritmo di boosting sfumatura funziona su questa teoria dell'esecuzione.
DecisionTree: gli alberi delle decisioni sono un metodo di apprendimento con supervisione non parametrica usato per le attività di classificazione e regressione.
L'obiettivo è creare un modello che stima il valore di una variabile di destinazione apprendendo semplici regole decisionali dedotte dalle funzionalità dei dati.
KNN: all'algoritmo K-nearest neighbors (KNN) viene usata la "somiglianza delle caratteristiche" per stimare i valori dei nuovi punti dati, il che significa che al nuovo punto dati verrà assegnato un valore in base al livello di corrispondenza dei punti nel set di training.
LassoLars: il modello Lasso si adatta a Least Angle Regression a.k.a. Lars. Si tratta di un modello lineare sottoposto a training con un L1 precedente come regolarizzatore.
SGD: SGD: discesa del gradiente stocastico è un algoritmo di ottimizzazione spesso usato nelle applicazioni di Machine Learning per trovare i parametri del modello che corrispondono alla scelta migliore tra output stimati e effettivi.
È una tecnica inesatta ma potente.
randomforest: la foresta casuale è un algoritmo di apprendimento supervisionato.
La "foresta" che compila, è un insieme di alberi delle decisioni, di solito addestrati con il metodo "bagging".
L'idea generale del metodo di bagging è che una combinazione di modelli di apprendimento aumenta il risultato complessivo.
ExtremeRandomTrees: Extreme Trees è un algoritmo di Machine Learning di insieme che combina le stime di molti alberi delle decisioni. È correlato all'algoritmo di foresta casuale ampiamente usato.
LightGBM: LightGBM è un framework di boosting delle sfumature che usa algoritmi di apprendimento basati su albero.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor è un modello di Machine Learning supervisionato usando un insieme di studenti di base.
type ForecastingModels = string