KnownForecastingModels enum

Na model autoregresního integrovaného klouzavého průměru s vysvětlující proměnnou (ARIMAX) lze pohlížet jako na vícenásobný regresní model s jedním nebo více autoregresními členy (AR) a/nebo jedním nebo 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.

Model auto-Autoregressive Integrated Moving Average (ARIMA) využívá data časových řad a statistickou analýzu k interpretaci dat a vytváření budoucích předpovědí. Tento model si klade za cíl vysvětlit data pomocí dat časových řad na jejich minulých hodnotách a k předpovědím používá lineární regresi.

Průměrný prognostický model vytváří předpovědi tak, že převádí průměr cílových hodnot pro každou časovou řadu v trénovacích datech.

Rozhodovací stromy jsou neparametrická metoda učení s učitelem používaná pro klasifikační i regresní úlohy. Cílem je vytvořit model, který předpovídá hodnotu cílové proměnné tím, že se naučí jednoduchá rozhodovací pravidla odvozená z datových funkcí.

Elastická síť je oblíbený typ regularizované lineární regrese, který kombinuje dvě oblíbené penalizace, konkrétně penalizační funkce L1 a L2.

Exponenciální vyhlazování je metoda předpovídání časových řad pro jednorozměrná data, která může být rozšířena tak, aby podporovala data se systematickým trendem nebo sezónní složkou.

Extreme Trees je algoritmus strojového učení, který kombinuje předpovědi z mnoha rozhodovacích stromů. Souvisí to s široce používaným algoritmem náhodného lesa.

Technika přeměny týdenních studentů na silné studenty se nazývá Boosting. Proces algoritmu zvyšování gradientu pracuje na této teorii provádění.

Algoritmus K-nearest neighbors (KNN) používá "podobnost funkcí" k předpovídání hodnot nových datových bodů, což dále znamená, že novému datovému bodu bude přiřazena hodnota na základě toho, jak přesně se shoduje s body v trénovací sadě.

Model laso se hodí s regresí nejmenšího úhlu alias Lars. Jedná se o lineární model trénovaný s L1 před regularizátorem.

LightGBM je rámec pro zvyšování gradientu, který využívá algoritmy učení založené na stromech.

Naivní prognostický model vytváří předpovědi tak, že přenáší nejnovější cílovou hodnotu pro každou časovou řadu v trénovacích datech.

Prophet je postup pro předpovídání dat časových řad na základě aditivního modelu, kde jsou nelineární trendy přizpůsobeny roční, týdenní a denní sezónnosti a svátečním efektům. 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.

Náhodný les je algoritmus učení pod dohledem. "Les", který buduje, je souborem rozhodovacích stromů, obvykle trénovaných metodou "pytlování". Obecná myšlenka metody balení je, že kombinace modelů učení zvyšuje celkový výsledek.

Prognostický model sezónního průměru vytváří předpovědi tak, že převádí průměrnou hodnotu dat z poslední sezóny pro každou časovou řadu v tréninkových datech.

Sezónně naivní předpovědní model vytváří předpovědi tak, že převádí do budoucna nejnovější sezónu cílových hodnot pro každou časovou řadu v tréninkových datech.

SGD: Stochastický gradientní sestup je optimalizační algoritmus, který se často používá v aplikacích strojového učení k nalezení parametrů modelu, které nejlépe odpovídají předpokládané a skutečné shodě. Je to nepřesná, ale účinná technika.

TCNForecaster: Prognostik časových konvolučních sítí. TODO: Požádejte prognostický tým o krátké úvod.

XGBoostRegressor: Extreme Gradient Boosting Regressor je model strojového učení s učitelem využívající soubor základních studentů.