ForecastingModels type
ForecastingModels の値を定義します。
KnownForecastingModels ForecastingModels と同じ意味で使用できますが、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 Moving 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: 預言者は、非線形傾向が年単位、週単位、および毎日の季節性に加えて休日の影響に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。
季節的な影響が強い時系列と、いくつかの季節の履歴データに最適です。 預言者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 予測モデルは、トレーニング データ内の各時系列の最新の目標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して予測を行います。
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目標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では、トレーニング データ内の各時系列の最新シーズンのデータの平均値を繰り越して予測を行います。
ExponentialSmoothing: 指数平滑化は、体系的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る一変量データの時系列予測方法です。
Arimax: 自己回帰統合移動平均と説明変数 (ARIMAX) モデルは、1 つ以上の自己回帰 (AR) 項または 1 つ以上の移動平均 (MA) 項を持つ多重回帰モデルとして表示できます。
この方法は、データが固定/非固定の場合の予測に適しており、あらゆる種類のデータ パターン (レベル/傾向/季節性/循環性) を使用した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紹介を依頼します。
ElasticNet: Elastic net は、一般的な 2 つのペナルティ (特に L1 および L2 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: 週の学習者を強い学習者に乗り換える手法は 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、この実行理論に基づいて動作します。
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非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。これは、新しいデータ ポイントがトレーニング セット内のポイントとどの程度一致するかに基づいて値が割り当てられることを意味します。
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、予測出力と実際の出力の最適な適合に対応するモデル パラメーターを検索します。
これは、不正確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というものです。
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