ForecastingModels type
ForecastingModels değerlerini tanımlar.
KnownForecastingModels ForecastingModels ile birlikte kullanılabilir, bu sabit listesi hizmetin desteklediği bilinen değerleri içerir.
Hizmet tarafından desteklenen bilinen değerler
AutoArima: Otomatik Otomatik Kayıt Tümleşik Hareketli Ortalama (ARIMA) modeli, verileri yorumlamak ve gelecekteki tahminlerde bulunmak için zaman serisi verilerini ve istatistiksel analizi kullanır.
Bu model, geçmiş değerleri üzerinde zaman serisi verilerini kullanarak verileri açıklamayı amaçlar ve tahminlerde bulunmak için doğrusal regresyon kullanır.
Kahin: Peygamber, doğrusal olmayan eğilimlerin yıllık, haftalık ve günlük mevsimsellik ile artı tatil etkileri ile uyumlu olduğu bir ekleme modeline dayalı zaman serisi verilerini tahmin etme yordamıdır.
En iyi şekilde, güçlü mevsimsel etkileri olan zaman serileri ve birkaç mevsim geçmiş verilerle çalışır. Kahin, eksik verilere ve eğilimdeki değişimlere karşı güçlüdür ve genellikle aykırı değerleri iyi işler.
Naive: Naive tahmin modeli, eğitim verilerindeki her zaman serisi için en son hedef değeri ileri taşıyarak tahminlerde bulunur.
SeasonNaive: Mevsimsel Naive tahmin modeli, eğitim verilerindeki her zaman serisi için hedef değerlerin en son sezonunu ileri taşıyarak tahminlerde bulunur.
Ortalama: Ortalama tahmin modeli, eğitim verilerindeki her zaman serisi için hedef değerlerin ortalamasını ileri taşıyarak tahminlerde bulunur.
SeasonAverage: Mevsimsel Ortalama tahmin modeli, eğitim verilerindeki her zaman serisi için en son veri sezonunun ortalama değerini ileri taşıyarak tahminlerde bulunur.
ExponentialSmoothing: Üstel düzeltme, sistematik bir eğilim veya mevsimsel bileşene sahip verileri desteklemek üzere genişletilebilen tek değişkenli veriler için bir zaman serisi tahmin yöntemidir.
arimax : Açıklayıcı Değişken (ARIMAX) ile Otomatik Regresyona Dayalı Tümleşik Hareketli Ortalama modeli, bir veya daha fazla otomatik regresif (AR) terimi ve/veya bir veya daha fazla hareketli ortalama (MA) terimiyle birden çok regresyon modeli olarak görüntülenebilir.
Bu yöntem, verilerin sabit/sabit olmayan ve herhangi bir veri deseni türüyle (örneğin, düzey/eğilim/mevsimsellik/döngüsellik) çok değişkenli olduğunu tahmin etme için uygundur.
TCNForecaster: TCNForecaster: Zamansal Evrişimli Ağlar Tahmincisi. TODO: Kısa bir giriş için tahmin ekibine sorun.
ElasticNet: Elastic net, özellikle L1 ve L2 ceza işlevleri olmak üzere iki popüler cezayı birleştiren popüler bir düzenli doğrusal regresyon türüdür.
GradientBoosting: Haftayı öğrenenleri güçlü bir öğrenciye geçirme tekniğine Boosting adı verilir. Gradyan artırma algoritması işlemi bu yürütme teorisi üzerinde çalışır.
DecisionTree: Karar Ağaçları, hem sınıflandırma hem de regresyon görevleri için kullanılan parametrik olmayan denetimli bir öğrenme yöntemidir.
Amaç, veri özelliklerinden elde edilen basit karar kurallarını öğrenerek hedef değişkenin değerini tahmin eden bir model oluşturmaktır.
KNN: K-nearest neighbors (KNN) algoritması, yeni veri noktalarının değerlerini tahmin etmek için 'özellik benzerliği' kullanır ve bu da yeni veri noktasına eğitim kümesindeki noktaları ne kadar yakından eşleştirdiği temelinde bir değer atanacağı anlamına gelir.
Kementler: Kement modeli En Az Açı Regresyonu (Lars) ile uyum sağlar. Normalleştirici olarak önce L1 ile eğitilen bir Doğrusal Modeldir.
SGD: SGD: Stokastik gradyan azalma genellikle makine öğrenmesi uygulamalarında tahmin edilen ve gerçek çıkışlar arasındaki en uygun model parametrelerini bulmak için kullanılan bir iyileştirme algoritmasıdır.
Bu basit ama güçlü bir teknik.
RandomForest: Rastgele orman denetimli bir öğrenme algoritmasıdır.
Inşa edilen "orman", genellikle "bagging" yöntemiyle eğitilen karar ağaçlarının bir grubudur.
Bagging yönteminin genel fikri, öğrenme modellerinin bir bileşiminin genel sonucu artırmasıdır.
ExtremeRandomTrees: Extreme Trees, birçok karar ağacından gelen tahminleri birleştiren bir grup makine öğrenmesi algoritmasıdır. Yaygın olarak kullanılan rastgele orman algoritmasıyla ilgilidir.
LightGBM: LightGBM, ağaç tabanlı öğrenme algoritmalarını kullanan gradyan artırma çerçevesidir.
XGBoostRegressor: XGBoostRegressor: Extreme Gradyan Artırma Regresörü, temel öğrenci grubu kullanan denetimli bir makine öğrenmesi modelidir.
type ForecastingModels = string