ForecastingModels type
Define valores para ForecastingModels.
KnownForecastingModels podem ser usados de forma intercambiável com ForecastingModels, essa enumeração contém os valores conhecidos aos quais o serviço dá suporte.
Valores conhecidos compatíveis com o serviço
autoArima: o modelo ARIMA (Média Móvel Integrada Auto-Autoregressiva) usa dados de série temporal e análise estatística para interpretar os dados e fazer previsões futuras.
Esse modelo tem como objetivo explicar os dados usando dados de série temporal em seus valores passados e usa a regressão linear para fazer previsões.
Prophet: Prophet é um procedimento para prever dados de série temporal com base em um modelo aditivo em que tendências não lineares se encaixam com sazonalidade anual, semanal e diária, além de efeitos de feriados.
Funciona melhor com séries temporais que têm fortes efeitos sazonais e várias temporadas de dados históricos. O Prophet é robusto para dados ausentes e mudanças na tendência, e normalmente lida bem com exceções.
naive: o modelo de previsão naive faz previsões levando adiante o valor de destino mais recente para cada série temporal nos dados de treinamento.
SeasonalNaive: o modelo de previsão naive sazonal faz previsões levando adiante a última temporada de valores de destino para cada série temporal nos dados de treinamento.
Média: o modelo de previsão média faz previsões levando adiante a média dos valores de destino para cada série temporal nos dados de treinamento.
SeasonalAverage: o modelo de previsão de Média Sazonal faz previsões levando adiante o valor médio da última temporada de dados para cada série temporal nos dados de treinamento.
ExponentialSmoothing: a suavização exponencial é um método de previsão de série temporal para dados não variáveis que podem ser estendidos para dar suporte a dados com uma tendência sistemática ou componente sazonal.
Arimax: um modelo de Média Móvel Integrada Autoregressiva com Variável Explicativa (ARIMAX) pode ser exibido como um modelo de regressão múltipla com um ou mais termos de AR (autoegressivos) e/ou um ou mais termos de média móvel (MA).
Esse método é adequado para previsão quando os dados são estacionários/não estacionários e multivariam com qualquer tipo de padrão de dados, ou seja, nível/tendência /sazonalidade/ciclicity.
TCNForecaster: TCNForecaster: Previsão de Redes Convolucionais Temporais. TODO: Peça à equipe de previsão uma breve introdução.
ElasticNet: a rede elástica é um tipo popular de regressão linear regularizada que combina duas penalidades populares, especificamente as funções de penalidade L1 e L2.
GradientBoosting: a técnica de transitar aprendizes de semana em um aprendiz forte é chamada de Boosting. O processo de algoritmo de aumento de gradiente funciona nessa teoria da execução.
DecisionTree: Árvores de Decisão são um método de aprendizado supervisionado não paramétrico usado para tarefas de classificação e regressão.
A meta é criar um modelo que preveja o valor de uma variável de destino aprendendo regras de decisão simples inferidas dos recursos de dados.
KNN: o algoritmo KNN (vizinho K mais próximo) usa "similaridade de recurso" para prever os valores de novos pontos de dados, o que significa ainda que o novo ponto de dados receberá um valor com base na proximidade com que ele corresponde aos pontos no conjunto de treinamento.
LassoLars: o modelo de laço se ajusta à Regressão de Ângulo Mínimo também conhecido como Lars. É um Modelo Linear treinado com um L1 anterior como regularizador.
SGD: SGD: descendente de gradiente stocástico é um algoritmo de otimização frequentemente usado em aplicativos de machine learning para localizar os parâmetros de modelo que correspondem ao melhor ajuste entre saídas previstas e reais.
É uma técnica inexata, mas poderosa.
RandomForest: a floresta aleatória é um algoritmo de aprendizado supervisionado.
A "floresta" que ela constrói, é um conjunto de árvores de decisão, geralmente treinadas com o método "bagging".
A ideia geral do método de ensacar é que uma combinação de modelos de aprendizagem aumenta o resultado geral.
ExtremeRandomTrees: Extreme Trees é um algoritmo de aprendizado de máquina de conjunto que combina as previsões de muitas árvores de decisão. Ele está relacionado ao algoritmo de floresta aleatória amplamente usado.
LightGBM: LightGBM é uma estrutura de aumento de gradiente que usa algoritmos de aprendizado baseados em árvore.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor é um modelo de machine learning supervisionado usando o conjunto de aprendizes base.
type ForecastingModels = string