KnownForecastingModels enum

Un modelo de media móvil integrada autorregresiva con variable explicativa (ARIMAX) se puede ver 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.

El modelo de media móvil integrada autorregresiva (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.

El modelo de pronóstico promedio realiza predicciones arrastrando el promedio de los valores objetivo para cada serie temporal en los datos de entrenamiento.

Los árboles de decisión son un método de aprendizaje supervisado no paramétrico que se utiliza 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.

La red elástica es un tipo popular de regresión lineal regularizada que combina dos penalizaciones populares, específicamente las funciones de penalización L1 y L2.

El suavizado exponencial es un método de pronóstico de series temporales para datos univariados que se puede extender para respaldar datos con una tendencia sistemática o un componente estacional.

Extreme Trees es un algoritmo de aprendizaje automático de conjunto que combina las predicciones de muchos árboles de decisión. Está relacionado con el algoritmo de bosque aleatorio ampliamente utilizado.

La técnica de transición de los estudiantes de la semana a un aprendiz fuerte se llama Boosting. El proceso del algoritmo de aumento de gradiente funciona con esta teoría de ejecución.

El algoritmo K-vecinos más cercanos (KNN) utiliza la "similitud de características" para predecir los valores de los nuevos puntos de datos, lo que significa que al nuevo punto de datos se le asignará un valor basado en qué tan cerca coincida con los puntos en el conjunto de entrenamiento.

Ajuste del modelo Lasso con regresión de ángulo mínimo, también conocido como Lars. Es un Modelo Lineal entrenado con un L1 previo como regularizador.

LightGBM es un marco de aumento de gradiente que utiliza algoritmos de aprendizaje basados en árboles.

El modelo de pronóstico naive realiza predicciones trasladando el valor objetivo más reciente para cada serie temporal en los datos de entrenamiento.

Prophet es un procedimiento para pronosticar datos de series temporales basado en un modelo aditivo donde las tendencias no lineales se ajustan a la estacionalidad anual, semanal y diaria, además de los efectos de las vacaciones. 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.

El bosque aleatorio 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.

El modelo de pronóstico de promedio estacional realiza predicciones arrastrando el valor promedio de la última temporada de datos para cada serie temporal de los datos de entrenamiento.

El modelo de pronóstico naive estacional realiza predicciones arrastrando la última temporada de valores objetivo para cada serie temporal en los datos de entrenamiento.

SGD: El descenso de gradiente estocástico es un algoritmo de optimización que se usa a menudo en aplicaciones de aprendizaje automático para encontrar los parámetros del modelo que corresponden al mejor ajuste entre los resultados previstos y reales. Es una técnica inexacta pero poderosa.

TCNForecaster: Pronosticador de redes convolucionales temporales. TODO: Pídale al equipo de pronóstico una breve introducción.

XGBoostRegressor: Extreme Gradient Boosting Regressor es un modelo de aprendizaje automático supervisado que utiliza un conjunto de aprendices base.