ForecastingModels type
Definieert waarden voor ForecastingModels.
KnownForecastingModels kan door elkaar worden gebruikt met ForecastingModels, bevat dit enum de bekende waarden die de service ondersteunt.
Bekende waarden die door de service worden ondersteund
AutoArima-: het ARIMA-model (Auto-AutoRegressive Integrated Moving Average) maakt gebruik van tijdreeksgegevens en statistische analyse om de gegevens te interpreteren en toekomstige voorspellingen te doen.
Dit model is bedoeld om gegevens uit te leggen met behulp van tijdreeksgegevens op de eerdere waarden en maakt gebruik van lineaire regressie om voorspellingen te doen.
Prophet: Prophet is een procedure voor het voorspellen van tijdreeksgegevens op basis van een additief model waarbij niet-lineaire trends passen bij jaarlijkse, wekelijkse en dagelijkse seizoensgebondenheid, plus vakantie-effecten.
Het werkt het beste met tijdreeksen met sterke seizoenseffecten en verschillende seizoenen van historische gegevens. Prophet is robuust om gegevens en verschuivingen in de trend te missen en verwerkt meestal uitbijters goed.
Naïve: het Naïve voorspellingsmodel doet voorspellingen door de meest recente doelwaarde voor elke tijdreeks in de trainingsgegevens door te sturen.
SeasonalNaive-: het seizoensgebonden naïeve voorspellingsmodel doet voorspellingen door het laatste seizoen met doelwaarden voor elke tijdreeks in de trainingsgegevens vooruit te brengen.
Gemiddelde: het gemiddelde voorspellende model doet voorspellingen door het gemiddelde van de doelwaarden voor elke tijdreeks in de trainingsgegevens vooruit te brengen.
SeasonalAverage: het voorspellingsmodel Seizoensgebonden gemiddelde doet voorspellingen door de gemiddelde waarde van het laatste seizoen met gegevens voor elke tijdreeks in de trainingsgegevens vooruit te brengen.
ExponentialSmoothing: Exponentieel gladmaken is een tijdreeksprognosemethode voor univariate gegevens die kunnen worden uitgebreid ter ondersteuning van gegevens met een systematische trend of seizoenscomponent.
Arimax: een AriMAX-model (Autoregressive Integrated Moving Average with Explanatory Variable) kan worden weergegeven als een meervoudig regressiemodel met een of meer termen voor autoregressieve (AR) en/of een of meer termen voor zwevend gemiddelde (MA).
Deze methode is geschikt voor prognose wanneer gegevens stationair/niet-stationair zijn en multivariant zijn met elk type gegevenspatroon, bijvoorbeeld niveau/trend/seizoensgebondenheid/cycliciteit.
TCNForecaster: TCNForecaster: Tijdelijke prognose voor convolutionele netwerken. TODO: Vraag het prognoseteam voor korte inleiding.
ElasticNet: Elastic Net is een populair type ge regulariseerde lineaire regressie die twee populaire sancties combineert, met name de L1- en L2-boetefuncties.
GradientBoosting: de techniek van het doorvoeren van weekleerders naar een sterke cursist wordt Boost genoemd. Het proces voor het verhogen van de kleurovergang werkt aan deze uitvoeringstheorie.
DecisionTree: Beslissingsstructuren zijn een niet-parametrische leermethode die wordt gebruikt voor zowel classificatie- als regressietaken.
Het doel is om een model te maken dat de waarde van een doelvariabele voorspelt door eenvoudige beslissingsregels te leren die zijn afgeleid van de gegevensfuncties.
KNN-: K-dichtstbijzijnde buren (KNN)-algoritme maakt gebruik van 'functie-gelijkenis' om de waarden van nieuwe gegevenspunten te voorspellen. Dit betekent verder dat aan het nieuwe gegevenspunt een waarde wordt toegewezen op basis van de mate waarin het overeenkomt met de punten in de trainingsset.
LassoLars: Lasso-model past bij Least Angle Regression a.k.a. Lars. Het is een lineair model dat is getraind met een L1 eerder als regularizer.
SGD-: SGD: Stochastische gradiëntafname is een optimalisatie-algoritme dat vaak wordt gebruikt in machine learning-toepassingen om de modelparameters te vinden die overeenkomen met de beste pasvorm tussen voorspelde en werkelijke uitvoer.
Het is een onuitstaanbare maar krachtige techniek.
RandomForest: random forest is een leeralgoritme onder supervisie.
Het "forest" dat het bouwt, is een ensemble van beslissingsstructuren, meestal getraind met de 'bagging'-methode.
Het algemene idee van de baggingmethode is dat een combinatie van leermodellen het algehele resultaat verhoogt.
ExtremeRandomTrees: Extreme Trees is een ensemble machine learning-algoritme dat de voorspellingen van veel beslissingsstructuren combineert. Het is gerelateerd aan het veelgebruikte willekeurige forestalgoritme.
LightGBM-: LightGBM is een framework voor gradiëntverhoging dat gebruikmaakt van op structuur gebaseerde leeralgoritmen.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor is een machine learning-model onder supervisie met behulp van ensemble van basisleerders.
type ForecastingModels = string