ForecastingModels type

Enum pour tous les modèles de prévision pris en charge par AutoML.
KnownForecastingModels peut être utilisé de manière interchangeable avec ForecastingModels, ce enum contenant les valeurs connues que le service supporte.

Valeurs connues prises en charge par le service

AutoArma : Le modèle Auto-Auto-Autorégressif Integrated Moving Average (ARIMA) utilise des séries temporelles et des analyses statistiques pour interpréter les données et faire des prédictions futures. Ce modèle vise à expliquer les données en utilisant des données de séries chronologiques sur leurs valeurs passées et utilise la régression linéaire pour faire des prédictions.
Prophet : Prophet est une procédure de prévision des données de séries temporelles basée sur un modèle additif où les tendances non linéaires s’ajustent à la saisonnalité annuelle, hebdomadaire et quotidienne, ainsi qu’aux effets des fêtes. Il fonctionne mieux avec des séries chronologiques qui ont de forts effets saisonniers et plusieurs saisons de données historiques. Prophet est robuste aux données manquantes et aux changements de tendance, et gère généralement bien les valeurs aberrantes.
Naïf : Le modèle de prévision naïf fait des prédictions en reportant la dernière valeur cible pour chaque série chronologique dans les données d’entraînement.
SeasonalNaive : Le modèle de prévision Seasonal Naive effectue des prédictions en reprenant la dernière saison des valeurs cibles pour chaque série chronologique dans les données d’entraînement.
Moyenne : Le modèle de prévision moyen effectue des prédictions en reportant la moyenne des valeurs cibles pour chaque série temporelle dans les données d’entraînement.
SaisonnalMoyenne : Le modèle de prévision de la moyenne saisonnière effectue des prédictions en reportant la valeur moyenne de la dernière saison des données pour chaque série chronologique des données d’entraînement.
Lissage exponentiel : Le lissage exponentiel est une méthode de prévision en série temporelle pour les données univariées qui peut être étendue pour supporter des données présentant une tendance systématique ou une composante saisonnière.
Arimax : Un modèle ARIMAX (Autoregressive Integrated Moving Average with Explanatory Variable) peut être vu comme un modèle de régression multiple avec un ou plusieurs termes autorégressifs (AR) et/ou un ou plusieurs termes de moyenne mobile (MA). Cette méthode convient aux prévisions lorsque les données sont stationnaires/non stationnaires, et multivariées avec tout type de modèle de données, c’est-à-dire niveau/tendance/saisonnalité/cyclicité.
TCNForecaster : TCNForecester : Prévisionniste des réseaux convolutionnels temporels. À FAIRE : Demandez à l’équipe de prévision une brève introduction.
ElasticNet : Le filet élastique est un type populaire de régression linéaire régularisée qui combine deux pénalités populaires, spécifiquement les fonctions de pénalité L1 et L2.
GradientBoost : La technique consistant à transformer les apprenants de la semaine en un apprenant fort s’appelle le Boosting. Le processus de l’algorithme de boosting de gradient fonctionne sur cette théorie de l’exécution.
Arbre de décision : Les arbres de décision sont une méthode d’apprentissage supervisé non paramétrique utilisée à la fois pour les tâches de classification et de régression. L’objectif est de créer un modèle qui prédit la valeur d’une variable cible en apprenant des règles de décision simples déduites des caractéristiques de données.
KNN : L’algorithme K-plus proches voisins (KNN) utilise la « similarité des caractéristiques » pour prédire les valeurs de nouveaux points de données, ce qui signifie en outre que le nouveau point de données se verra attribuer une valeur basée sur la proximité avec les points de l’ensemble d’entraînement.
LassoLars : Ajustement du modèle lasso avec la régression de l’angle minimum, alias Lars. Il s’agit d’un modèle linéaire entraîné avec un a priori L1 comme régulariseur.
SGD : SGD : La descente du gradient stochastique est un algorithme d’optimisation souvent utilisé dans les applications d’apprentissage automatique pour trouver les paramètres du modèle correspondant au meilleur ajustement entre les sorties prédites et réelles. C’est une technique inexacte mais puissante.
RandomForest : La forêt aléatoire est un algorithme d’apprentissage supervisé. La « forêt » qu’il construit est un ensemble d’arbres de décision, généralement entraînés avec la méthode du « bagging ». L’idée générale de la méthode d’ensachage est qu’une combinaison de modèles d’apprentissage augmente le résultat global.
ExtremeRandomTrees : Extreme Trees est un algorithme d’apprentissage automatique en ensemble qui combine les prédictions issues de nombreux arbres de décision. Il est lié à l’algorithme de forêt aléatoire largement utilisé.
LightGBM : LightGBM est un framework de renforcement des gradients qui utilise des algorithmes d’apprentissage basés sur des arbres.
XGBoostRegressor : XGBoostRegressor : Extreme Gradient Boosting Regressor est un modèle d’apprentissage automatique supervisé utilisant un ensemble d’apprenants de base.