ForecastingModels type
ForecastingModels の値を定義します。
KnownForecastingModels は ForecastingModels と同じ意味で使用できます。この列挙型には、サービスがサポートする既知の値が含まれています。
サービスでサポートされている既知の値
AutoArima: Auto-Autoregressive Integrated Average (ARIMA) モデルでは、時系列データと統計分析を使用してデータを解釈し、将来の予測を行います。
このモデルは、過去の値の時系列データを使用してデータを説明することを目的とし、線形回帰を使用して予測を行います。
預言者: Prophet は、年単位、週単位、および日単位の季節性に加え、休日の影響に加えて非線形傾向が適合する加法モデルに基づいて時系列データを予測するための手順です。
これは、季節的な影響が強く、いくつかの季節の履歴データを持つ時系列で最適に機能します。 Prophetはデータの欠落やトレンドの変化に強く、通常は外れ値をうまく処理します。
単純: Naive 予測モデルでは、トレーニング データ内の各時系列の最新のターゲット値を繰り返して予測を行います。
SeasonalNaive: 季節的な単純予測モデルは、トレーニング データ内の各時系列のターゲット値の最新のシーズンを繰り返すことで予測を行います。
平均: 平均予測モデルは、トレーニング データ内の各時系列のターゲット値の平均を繰り越して予測を行います。
SeasonalAverage: 季節平均予測モデルは、トレーニング データ内の各時系列のデータの最新シーズンの平均値を繰り越して予測を行います。
ExponentialSmoothing: 指数平滑化は、一変量データの時系列予測方法であり、体系的な傾向または季節的なコンポーネントを持つデータをサポートするように拡張できます。
Arimax: 説明変数 (ARIMAX) を使用した自動回帰統合移動平均モデルは、1 つ以上の自己回帰 (AR) 項および/または 1 つ以上の移動平均 (MA) 項を持つ重回帰モデルと見なすことができます。
この方法は、データが静止/非固定の場合の予測に適しており、任意の種類のデータ パターン (レベル/傾向/季節性/循環性) を持つ多変量に適しています。
TCNForecaster: TCNForecaster: テンポラル畳み込みネットワーク予測ツール。 TODO: 予測チームに簡単な概要を確認してください。
ElasticNet: Elastic net は、一般的な 2 つのペナルティ (特に L1 と L2 のペナルティ関数) を組み合わせた一般的なタイプの正則化線形回帰です。
GradientBoosting: 週の学習者を強力な学習者に転送する手法は、Boosting と呼ばれます。 勾配ブースティング アルゴリズム プロセスは、この実行理論に対して機能します。
DecisionTree: デシジョン ツリーは、分類タスクと回帰タスクの両方に使用されるノンパラメトリック教師あり学習方法です。
目標は、データ特徴から推論された単純な決定ルールを学習することによって、ターゲット変数の値を予測するモデルを作成することです。
KNN: K ニアレスト ネイバー (KNN) アルゴリズムは、"特徴の類似性" を使用して新しいデータ ポイントの値を予測します。つまり、トレーニング セット内のポイントとどの程度一致するかに基づいて、新しいデータ ポイントに値が割り当てられます。
なげなわ: なげなわモデルは最小角度回帰に適合します。 これは、正則化の前に L1 でトレーニングされた線形モデルです。
SGD: SGD: 確率的勾配降下法は、機械学習アプリケーションでよく使用される最適化アルゴリズムであり、予測された出力と実際の出力の間の最適な適合に対応するモデル パラメーターを見つけるために使用されます。
これは、非具体的だが強力な手法です。
RandomForest: ランダム フォレストは教師あり学習アルゴリズムです。
構築する "フォレスト" はデシジョン ツリーのアンサンブルであり、通常は "バギング" メソッドでトレーニングされます。
バギング方法の一般的な考え方は、学習モデルの組み合わせによって全体的な結果が増加することです。
ExtremeRandomTrees: Extreme Trees は、多くのデシジョン ツリーからの予測を組み合わせたアンサンブル機械学習アルゴリズムです。 これは、広く使用されているランダム フォレスト アルゴリズムに関連しています。
LightGBM: LightGBM は、ツリー ベースの学習アルゴリズムを使用する勾配ブースティング フレームワークです。
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor は、基本学習者のアンサンブルを使用した教師あり機械学習モデルです。
type ForecastingModels = string