ForecastingModels type
Definierar värden för ForecastingModels.
KnownForecastingModels kan användas utbytbart med ForecastingModels innehåller det här uppräkningen de kända värden som tjänsten stöder.
Kända värden som stöds av tjänsten
AutoArima: ARIMA-modellen (Auto-Autoregressive Integrated Moving Average) använder tidsseriedata och statistisk analys för att tolka data och göra framtida förutsägelser.
Den här modellen syftar till att förklara data med hjälp av tidsseriedata på dess tidigare värden och använder linjär regression för att göra förutsägelser.
Prophet: Prophet är ett förfarande för prognostisering av tidsseriedata baserat på en additiv modell där icke-linjära trender passar med års-, vecko- och daglig säsongsvariation, plus semestereffekter.
Det fungerar bäst med tidsserier som har starka säsongseffekter och flera säsonger av historiska data. Prophet är robust för saknade data och förändringar i trenden och hanterar vanligtvis avvikande värden väl.
Naive: Naive-prognosmodellen gör förutsägelser genom att överföra det senaste målvärdet för varje tidsserie i träningsdata.
SeasonalNaive: Prognosmodellen Seasonal Naive gör förutsägelser genom att överföra den senaste säsongen av målvärden för varje tidsserie i träningsdata.
Average: Den genomsnittliga prognosmodellen gör förutsägelser genom att överföra medelvärdet av målvärdena för varje tidsserie i träningsdata.
SeasonalAverage: Prognosmodellen för säsongsgenomsnitt gör förutsägelser genom att överföra det genomsnittliga värdet för den senaste datasäsongen för varje tidsserie i träningsdata.
ExponentialSmoothing: Exponentiell utjämning är en tidsserieprognosmetod för univariate-data som kan utökas för att stödja data med en systematisk trend eller säsongskomponent.
Arimax: En modell för autoregressivt integrerat glidande medelvärde med förklarande variabel (ARIMAX) kan ses som en modell med flera regressionsmodeller med en eller flera autoregressiva termer (AR) och/eller en eller flera ma-termer (glidande medelvärde).
Den här metoden är lämplig för prognostisering när data är stationära/icke stationära och multivarierar med alla typer av datamönster, d.v.s. nivå/trend/säsongsvariation/cykliskhet.
TCNForecaster: TCNForecaster: Prognosmakare för temporala faltningsnätverk. TODO: Be prognosteamet om en kort introduktion.
ElasticNet: Elastiskt nät är en populär typ av regulariserad linjär regression som kombinerar två populära straffar, särskilt L1- och L2-strafffunktionerna.
GradientBoosting: Tekniken för att föra över veckas elever till en stark elev kallas Förstärkning. Algoritmprocessen för toningshöjande fungerar på den här körningsteorin.
DecisionTree: Decision Trees är en icke-parametrisk övervakad inlärningsmetod som används för både klassificerings- och regressionsaktiviteter.
Målet är att skapa en modell som förutsäger värdet för en målvariabel genom att lära sig enkla beslutsregler som härleds från datafunktionerna.
KNN-: K-närmaste grannalgoritm (KNN) använder "funktionslikhet" för att förutsäga värdena för nya datapunkter, vilket ytterligare innebär att den nya datapunkten tilldelas ett värde baserat på hur nära den matchar punkterna i träningsuppsättningen.
LassoLars: Lasso modell passar med Minsta vinkel regression alias Lars. Det är en linjär modell som tränats med en L1 tidigare som regularizer.
SGD: SGD: Stochastic gradient descent är en optimeringsalgoritm som ofta används i maskininlärningsprogram för att hitta de modellparametrar som motsvarar den bästa passformen mellan förutsagda och faktiska utdata.
Det är en inexakt men kraftfull teknik.
RandomForest: Random forest är en övervakad inlärningsalgoritm.
Den "skog" som den bygger, är en ensemble av beslutsträd, vanligtvis tränad med metoden "påse".
Den allmänna idén med påse-metoden är att en kombination av inlärningsmodeller ökar det övergripande resultatet.
ExtremeRandomTrees: Extreme Trees är en maskininlärningsalgoritm för ensembler som kombinerar förutsägelserna från många beslutsträd. Den är relaterad till den ofta använda slumpmässiga skogsalgoritmen.
LightGBM: LightGBM är ett gradient-boostramverk som använder trädbaserade inlärningsalgoritmer.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor är en övervakad maskininlärningsmodell med hjälp av ensemblen av grundläggande elever.
type ForecastingModels = string