ForecastingModels type

Enumeración para todos los modelos de pronóstico compatibles con AutoML.
KnownForecastingModels puede usarse indistintamente con ForecastingModels; este enum contiene los valores conocidos que soporta el servicio.

Valores conocidos admitidos por el servicio

AutoArima: El modelo de Media Móvil Integrada Auto-Auto-Regresiva (ARIMA) utiliza datos de series temporales y análisis estadísticos para interpretar los datos y hacer predicciones futuras. Este modelo tiene como objetivo explicar los datos mediante el uso de datos de series temporales sobre sus valores pasados y utiliza la regresión lineal para hacer predicciones.
Prophet: Prophet es un procedimiento para pronosticar datos de series temporales basado en un modelo aditivo donde las tendencias no lineales se ajustan con la estacionalidad anual, semanal y diaria, además de efectos festivos. Funciona mejor con series temporales que tienen fuertes efectos estacionales y varias temporadas de datos históricos. Prophet es robusto a los datos faltantes y a los cambios en la tendencia, y generalmente maneja bien los valores atípicos.
Naive: El modelo de pronóstico Naive hace predicciones llevando el valor objetivo más reciente para cada serie temporal en los datos de entrenamiento.
SeasonalNaive: El modelo de previsión Seasonal Naive realiza predicciones trasladando la última temporada de valores objetivo para cada serie temporal en los datos de entrenamiento.
Media: El modelo de previsión promedio realiza predicciones trasladando la media de los valores objetivo para cada serie temporal en los datos de entrenamiento.
PromedioEstacional: El modelo de pronóstico de promedios estacionales realiza predicciones trasladando el valor medio de la última temporada de datos para cada serie temporal en los datos de entrenamiento.
Suavizado exponencial: El suavizado exponencial es un método de pronóstico de series temporales para datos univariantes que puede extenderse para soportar datos con una tendencia sistemática o un componente estacional.
Arimax: Un modelo de Media Móvil Integrada Autoregresiva con Variable Explicativa (ARIMAX) puede verse como un modelo de regresión múltiple con uno o más términos autorregresivos (AR) y/o uno o más términos de media móvil (MA). Este método es adecuado para pronosticar cuando los datos son estacionarios/no estacionarios, y multivariados con cualquier tipo de patrón de datos, es decir, nivel/tendencia/estacionalidad/ciclicidad.
TCNForecaster: TCNForecaster: Pronosticador de Redes Convolucionales Temporales. TODO: Pídale al equipo de pronóstico una breve introducción.
ElasticNet: La red elástica es un tipo popular de regresión lineal regularizada que combina dos penalizaciones populares, específicamente las funciones de penalización L1 y L2.
GradientBoosting: La técnica de convertir a los alumnos de la semana en un aprendiz fuerte se llama Boosting. El proceso del algoritmo de aumento de gradiente funciona con esta teoría de ejecución.
Árbol de Decisión: Los árboles de decisión son un método de aprendizaje supervisado no paramétrico utilizado tanto para tareas de clasificación como de regresión. El objetivo es crear un modelo que prediga el valor de una variable objetivo mediante el aprendizaje de reglas de decisión simples inferidas a partir de las características de datos.
KNN: El algoritmo de K-vecinos más cercanos (KNN) utiliza la 'similitud de características' para predecir los valores de nuevos puntos de datos, lo que además significa que al nuevo punto se le asignará un valor basado en lo cerca que coincide con los puntos del conjunto de entrenamiento.
LassoLars: Ajuste del modelo de lazo con Regresión de Ángulo Mínimo, también conocida como Lars. Es un Modelo Lineal entrenado con un L1 previo como regularizador.
SGD: SGD: El descenso de gradiente estocástico es un algoritmo de optimización utilizado a menudo en aplicaciones de aprendizaje automático para encontrar los parámetros del modelo que corresponden al mejor ajuste entre las salidas predichas y las reales. Es una técnica inexacta pero poderosa.
RandomForest: El Random Forest es un algoritmo de aprendizaje supervisado. El "bosque" que construye, es un conjunto de árboles de decisión, generalmente entrenados con el método de "embolsado". La idea general del método de embolsado es que una combinación de modelos de aprendizaje aumenta el resultado general.
ExtremeRandomTrees: Extreme Trees es un algoritmo de aprendizaje automático conjunto que combina las predicciones de muchos árboles de decisión. Está relacionado con el algoritmo de bosque aleatorio ampliamente utilizado.
LightGBM: LightGBM es un framework de aumento de gradiente que utiliza algoritmos de aprendizaje basados en árboles.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor es un modelo de aprendizaje automático supervisado que utiliza un conjunto de aprendices base.