你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

ForecastingModel 结构

定义

命名空间:

Azure.ResourceManager.MachineLearning.Models

程序集:

Azure.ResourceManager.MachineLearning.dll

包:

Azure.ResourceManager.MachineLearning v1.1.1

Source:

ForecastingModel.cs

AutoML 支持的所有预测模型的枚举。

public readonly struct ForecastingModel : IEquatable<Azure.ResourceManager.MachineLearning.Models.ForecastingModel>

type ForecastingModel = struct

Public Structure ForecastingModel
Implements IEquatable(Of ForecastingModel)

继承

ValueType

ForecastingModel

实现

IEquatable<ForecastingModel>

构造函数

ForecastingModel(String)

初始化 ForecastingModel 的新实例。

属性

Arimax	具有解释变量的自动回归集成移动平均 (ARIMAX) 模型可被视为具有一个或多个自动回归 (AR) 项和/或一个或多个移动平均 (MA) 项的多回归模型。 此方法适用于在数据为静止/非静止以及具有任何类型的数据模式（即级别/趋势/季节性/周期性）的多变量时进行预测。
AutoArima	自动回归集成移动平均 (ARIMA) 模型使用时序数据和统计分析来解释数据并做出未来的预测。 此模型旨在通过使用过去值的时序数据来解释数据，并使用线性回归进行预测。
Average	Average 预测模型通过结转训练数据中每个时序的目标值的平均值来进行预测。
DecisionTree	决策树是一种用于分类和回归任务的非参数监督式学习方法。 目标是创建一个模型，通过学习从数据特征推断出的简单决策规则来预测目标变量的值。
ElasticNet	弹性网是一种常用的正则化线性回归类型，它结合了两种常用惩罚，特别是 L1 和 L2 惩罚函数。
ExponentialSmoothing	指数平滑是单变量数据的时序预测方法，可以扩展该方法以支持具有系统趋势或季节性成分的数据。
ExtremeRandomTrees	极端树是一种集成机器学习算法，它结合了来自许多决策树的预测。 它与广泛使用的随机林算法相关。
GradientBoosting	将每周学习者转换为强学习者的技术称为“提升”。 梯度提升算法过程适用于此执行理论。
KNN	K-nearest neighbors (KNN) 算法使用“特征相似性”来预测新数据点的值，这进一步意味着，将根据新数据点与训练集中的点的匹配程度为新数据点分配一个值。
LassoLars	套索模型适合最小角度回归（即 Lars）。 它是使用 L1 作为正则器训练的线性模型。
LightGBM	LightGBM 是一个梯度提升框架，它使用基于树的学习算法。
Naive	Naive 预测模型通过结转训练数据中每个时序的最新目标值来进行预测。
Prophet	Prophet 是一种基于累加模型预测时序数据的过程，其中非线性趋势与每年、每周和每日季节性以及假日效应相符。 它最适合具有强烈季节性影响和多个季节历史数据的时序。 Prophet 对缺失数据和趋势变化非常可靠，通常能很好地处理离群值。
RandomForest	随机林是一种监督式学习算法。 它构建的“森林”是决策树的合奏，通常使用装袋方法进行训练。 装袋方法的一般思路是，学习模型的组合可以提高整体结果。
SeasonalAverage	Seasonal Average 预测模型通过结转训练数据中每个时序的最新数据季度的平均值进行预测。
SeasonalNaive	Seasonal Naive 预测模型通过结转训练数据中每个时序的最新季度的目标值来进行预测。
SGD	SGD：随机梯度下降是一种优化算法，通常用于机器学习应用程序，用于查找与预测输出和实际输出之间最适合的模型参数。 这是一种不精确但强大的技术。
TCNForecaster	TCNForecaster：时态卷积网络预测器。 TODO：向预测团队询问简要介绍。
XGBoostRegressor	XGBoostRegressor：极端梯度提升回归量是使用基础学习者合奏的监督式机器学习模型。

方法

Equals(ForecastingModel)	指示当前对象是否等于同一类型的另一个对象。
ToString()	返回此实例的完全限定类型名称。

运算符

Equality(ForecastingModel, ForecastingModel)	确定两个 ForecastingModel 值是否相同。
Implicit(String to ForecastingModel)	将字符串转换为 ForecastingModel。
Inequality(ForecastingModel, ForecastingModel)	确定两个 ForecastingModel 值是否不相同。