ForecastingModels type

Výčet pro všechny modely prognóz podporované AutoML.
KnownForecastingModels lze používat zaměnitelně s ForecastingModels, tento enum obsahuje známé hodnoty, které služba podporuje.

Známé hodnoty podporované službou

AutoArima: Model Auto-autoregresivního integrovaného klouzavého průměru (ARIMA) využívá časová řadová data a statistickou analýzu k interpretaci dat a k předpovědi do budoucna. Tento model si klade za cíl vysvětlit data pomocí dat časových řad na jejich minulých hodnotách a k předpovědím používá lineární regresi.
Prorok: Prorok je postup pro předpovídání časových řad dat založený na aditivním modelu, kde jsou nelineární trendy přizpůsobeny roční, týdenní a denní sezónností plus efektům svátků. Nejlépe funguje s časovými řadami, které mají silné sezónní efekty a několik sezón historických dat. Prophet je odolný vůči chybějícím datům a posunům v trendu a obvykle dobře zvládá odlehlé hodnoty.
Naivní: Naivní model předpovědí provádí předpovědi tím, že přenáší nejnovější cílovou hodnotu pro každou časovou řadu v trénovacích datech.
SeasonalNaive: Model Seasonal Naive předpovědí provádí předpovědi tím, že přenáší nejnovější sezónní hodnoty cílů pro každou časovou řadu v trénovacích datech.
Průměr: Model průměrného předpovědního modelu provádí předpovědi přenášením průměru cílových hodnot pro každou časovou řadu v trénovacích datech.
SeasonalAverage: Model prognózování sezónního průměru provádí předpovědi přenášením průměrné hodnoty nejmladší sezóny dat pro každou časovou řadu v trénovacích datech.
ExponentialSmoothing: Exponential smoothing je metoda předpovědi časových řad pro univariátní data, kterou lze rozšířit tak, aby podporovala data se systematickým trendem nebo sezónní složkou.
Arimax: Autoregresní model integrovaného klouzavého průměru s vysvětlujícími proměnnými (ARIMAX) lze chápat jako model s více regresními (AR) členy a jedním či více členy klouzavého průměru (MA). Tato metoda je vhodná pro prognózování, když jsou data stacionární/nestacionární a vícerozměrná s libovolným typem datového vzorce, tj. úroveň/trend/sezónnost/cyklicita.
TCNForecaster: TCNForecaster: Prognostik časových konvolučních sítí. TODO: Požádejte prognostický tým o krátké úvod.
ElasticNet: Elastic net je populární typ regularizované lineární regrese, která kombinuje dvě populární penalizace, konkrétně penalizační funkce L1 a L2.
GradientBoosting: Technika převedení žáků z týdne na silného žáka se nazývá Boosting. Proces algoritmu zvyšování gradientu pracuje na této teorii provádění.
DecisionTree: Decision Trees jsou neparametrická metoda řízeného učení používaná jak pro klasifikační, tak pro regresní úkoly. Cílem je vytvořit model, který předpovídá hodnotu cílové proměnné tím, že se naučí jednoduchá rozhodovací pravidla odvozená z datových funkcí.
KNN: Algoritmus K-nejbližších sousedů (KNN) používá "podobnost vlastností" k predikci hodnot nových datových bodů, což dále znamená, že novému datovému bodu bude přiřazena hodnota na základě toho, jak přesně odpovídá bodům v trénovací množině.
LassoLars: Model Lasso vhodný s Least Angle Regression, známým také jako Lars. Jedná se o lineární model trénovaný s L1 před regularizátorem.
SGD: SGD: Stochastický gradientní sestup je optimalizační algoritmus často používaný v aplikacích strojového učení k nalezení parametrů modelu, které odpovídají nejlepšímu shodování mezi předpovězenými a skutečnými výstupy. Je to nepřesná, ale účinná technika.
RandomForest: Random forest je algoritmus s řízeným učením. "Les", který buduje, je souborem rozhodovacích stromů, obvykle trénovaných metodou "pytlování". Obecná myšlenka metody balení je, že kombinace modelů učení zvyšuje celkový výsledek.
ExtremeRandomTrees: Extreme Trees je algoritmus strojového učení zaměřený na soubor, který kombinuje predikce z mnoha rozhodovacích stromů. Souvisí to s široce používaným algoritmem náhodného lesa.
LightGBM: LightGBM je rámec pro zvyšování gradientu, který využívá algoritmy učení založené na stromech.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor je supervidovaný model strojového učení využívající soubor základních studentů.