KnownForecastingModels enum
필드
| Arimax | ARIMAX(설명 변수 포함 자동 회귀 통합 이동 평균) 모델은 하나 이상의 AR(자동 회귀) 용어 및/또는 하나 이상의 MA(이동 평균) 용어를 사용하는 다중 회귀 모델로 볼 수 있습니다. 이 메서드는 데이터가 고정/고정되지 않은 경우 예측에 적합하며 모든 형식의 데이터 패턴(예: 수준/추세 /계절성/주기)을 사용하는 다변량입니다. |
| AutoArima | ARIMA(자동 회귀 통합 이동 평균) 모델은 시계열 데이터 및 통계 분석을 사용하여 데이터를 해석하고 향후 예측을 합니다. 이 모델은 과거 값에 시계열 데이터를 사용하여 데이터를 설명하고 선형 회귀를 사용하여 예측을 수행합니다. |
| Average | 평균 예측 모델은 학습 데이터의 각 시계열에 대한 대상 값의 평균을 전달하여 예측을 수행합니다. |
| DecisionTree | 의사 결정 트리는 분류 및 회귀 작업 모두에 사용되는 비 파라메트릭 감독 학습 방법입니다. 목표는 데이터 기능에서 유추된 간단한 의사 결정 규칙을 학습하여 대상 변수의 값을 예측하는 모델을 만드는 것입니다. |
| ElasticNet | 탄력적 그물은 두 가지 인기 있는 페널티, 특히 L1 및 L2 페널티 함수를 결합하는 일반화된 선형 회귀의 인기 있는 유형입니다. |
| ExponentialSmoothing | 지수 스무딩은 체계적인 추세 또는 계절적 구성 요소로 데이터를 지원하도록 확장할 수 있는 일변량 데이터에 대한 시계열 예측 방법입니다. |
| ExtremeRandomTrees | 익스트림 트리는 여러 의사 결정 트리의 예측을 결합하는 앙상블 기계 학습 알고리즘입니다. 널리 사용되는 임의 포리스트 알고리즘과 관련이 있습니다. |
| GradientBoosting | 주 학습자를 강력한 학습자에게 전송하는 기술을 부스팅이라고합니다. 그라데이션 상승 알고리즘 프로세스는 이 실행 이론에서 작동합니다. |
| KNN | K-가장 가까운 인접 항목(KNN) 알고리즘은 '기능 유사성'을 사용하여 새 데이터 요소의 값을 예측합니다. 즉, 새 데이터 요소가 학습 집합의 점과 얼마나 일치하는지에 따라 값이 할당됩니다. |
| LassoLars | 올가미 모델은 라스라고도 하는 최소 각도 회귀에 적합합니다. 정규화 이전의 L1로 학습된 선형 모델입니다. |
| LightGBM | LightGBM은 트리 기반 학습 알고리즘을 사용하는 그라데이션 부스팅 프레임워크입니다. |
| Naive | Naive 예측 모델은 학습 데이터의 각 시계열에 대한 최신 대상 값을 전달하여 예측을 수행합니다. |
| Prophet | Prophet는 비선형 추세가 연간, 주별 및 일별 계절성 및 휴일 효과에 적합한 가산적 모델을 기반으로 시계열 데이터를 예측하는 절차입니다. 계절적 효과와 여러 계절의 기록 데이터가 있는 시계열에서 가장 잘 작동합니다. Prophet는 누락된 데이터와 추세의 변화에 강력하며 일반적으로 이상값을 잘 처리합니다. |
| RandomForest | 임의 포리스트는 감독 학습 알고리즘입니다. 이 빌드 "숲"은 일반적으로 "가방"방법으로 훈련 의사 결정 트리의 앙상블이다. 배깅 방법의 일반적인 아이디어는 학습 모델의 조합이 전체 결과를 증가한다는 것입니다. |
| SeasonalAverage | 계절 평균 예측 모델은 학습 데이터의 각 시계열에 대한 최신 시즌 데이터의 평균 값을 전달하여 예측을 수행합니다. |
| SeasonalNaive | 계절 Naive 예측 모델은 학습 데이터의 각 시계열에 대한 대상 값의 최신 시즌을 전달하여 예측을 수행합니다. |
| SGD | SGD: 확률적 그라데이션 하강은 예측된 출력과 실제 출력 간에 가장 적합한 모델 매개 변수를 찾기 위해 기계 학습 애플리케이션에서 자주 사용되는 최적화 알고리즘입니다. 그것은 비현실적이지만 강력한 기술입니다. |
| TCNForecaster | TCNForecaster: 시간 컨볼루션 네트워크 예측기. TODO: 예측 팀에 간략한 소개를 요청합니다. |
| XGBoostRegressor | XGBoostRegressor: 극한 그라데이션 부스팅 회귀기는 기본 학습자의 앙상블을 사용하는 감독된 기계 학습 모델입니다. |