KnownForecastingModels enum

Paket:

@azure/arm-machinelearning

Kända värden för ForecastingModels som tjänsten accepterar.

Fält

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.
AutoArima	ARIMA-modellen (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.
Average	Den genomsnittliga prognosmodellen gör förutsägelser genom att överföra medelvärdet av målvärdena för varje tidsserie i träningsdata.
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.
ElasticNet	Elastiskt nät är en populär typ av regulariserad linjär regression som kombinerar två populära straffar, särskilt L1- och L2-strafffunktionerna.
ExponentialSmoothing	Exponentiell utjämning är en tidsserieprognosmetod för univariate-data som kan utökas för att stödja data med en systematisk trend eller säsongskomponent.
ExtremeRandomTrees	Extreme Trees är en ensemblemaskininlärningsalgoritm som kombinerar förutsägelserna från många beslutsträd. Den är relaterad till den ofta använda slumpmässiga skogsalgoritmen.
GradientBoosting	Tekniken för att föra över veckas elever till en stark elev kallas Förstärkning. Algoritmprocessen för toningshöjande fungerar på den här körningsteorin.
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-modellen passar med Minsta vinkelregression a.k.a. Lars. Det är en linjär modell som tränats med en L1 tidigare som regularizer.
LightGBM	LightGBM är ett gradient boost-ramverk som använder trädbaserade inlärningsalgoritmer.
Naive	Naive-prognosmodellen gör förutsägelser genom att överföra det senaste målvärdet för varje tidsserie i träningsdata.
Prophet	Prophet är ett förfarande för prognostisering av tidsseriedata baserat på en additiv modell där icke-linjära trender passar med års-, vecko- och dagliga säsongsvariationer, 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.
RandomForest	Slumpmässig skog 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.
SeasonalAverage	Prognosmodellen Säsongsgenomsnitt gör förutsägelser genom att överföra det genomsnittliga värdet för den senaste datasäsongen för varje tidsserie i träningsdata.
SeasonalNaive	Prognosmodellen Seasonal Naive gör förutsägelser genom att överföra den senaste säsongen med målvärden för varje tidsserie i träningsdata.
SGD	SGD: Stokastisk gradient descent är en optimeringsalgoritm som ofta används i maskininlärningsprogram för att hitta de modellparametrar som passar bäst mellan förutsagda och faktiska utdata. Det är en inexakt men kraftfull teknik.
TCNForecaster	TCNForecaster: Prognosmakare för temporala faltningsnätverk. TODO: Be prognosteamet om en kort introduktion.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor är en övervakad maskininlärningsmodell med hjälp av ensemblen av grundläggande elever.