KnownForecastingModels enum

Model Autoregressive Integrated Moving Average with Explanatory Variable (ARIMAX) dapat dilihat sebagai model regresi ganda dengan satu atau lebih suku autoregresif (AR) dan/atau satu atau lebih suku rata-rata bergerak (MA). Metode ini cocok untuk peramalan ketika data stasioner/tidak stasioner, dan multivariat dengan semua jenis pola data, yaitu, level/tren/musiman/siklusitas.

Model Auto-Autoregressive Integrated Moving Average (ARIMA) menggunakan data deret waktu dan analisis statistik untuk menafsirkan data dan membuat prediksi di masa depan. Model ini bertujuan untuk menjelaskan data dengan menggunakan data deret waktu pada nilai-nilai masa lalunya dan menggunakan regresi linier untuk membuat prediksi.

Model perkiraan rata-rata membuat prediksi dengan meneruskan rata-rata nilai target untuk setiap deret waktu dalam data pelatihan.

Decision Tree adalah metode pembelajaran yang diawasi non-parametrik yang digunakan untuk tugas klasifikasi dan regresi. Tujuannya adalah untuk membuat model yang memprediksi nilai variabel target dengan mempelajari aturan keputusan sederhana yang disimpulkan dari fitur data.

Jaring elastis adalah jenis regresi linier teratur populer yang menggabungkan dua penalti populer, khususnya fungsi penalti L1 dan L2.

Penghalusan eksponensial adalah metode peramalan deret waktu untuk data univariat yang dapat diperluas untuk mendukung data dengan tren sistematis atau komponen musiman.

Extreme Trees adalah algoritme pembelajaran mesin ansambel yang menggabungkan prediksi dari banyak pohon keputusan. Ini terkait dengan algoritma hutan acak yang banyak digunakan.

Teknik mengalihkan pelajar minggu menjadi pembelajar yang kuat disebut Boosting. Proses algoritma peningkatan gradien bekerja pada teori eksekusi ini.

Algoritma K-nearest neighbors (KNN) menggunakan 'kesamaan fitur' untuk memprediksi nilai titik data baru yang selanjutnya berarti bahwa titik data baru akan diberi nilai berdasarkan seberapa dekat titik tersebut cocok dengan poin dalam set pelatihan.

Model laso cocok dengan Regresi Sudut Terkecil alias Lars. Ini adalah Model Linear yang dilatih dengan L1 sebelumnya sebagai regularizer.

LightGBM adalah kerangka kerja penambah gradien yang menggunakan algoritma pembelajaran berbasis pohon.

Model peramalan Naif membuat prediksi dengan membawa nilai target terbaru untuk setiap deret waktu dalam data pelatihan.

Prophet adalah prosedur untuk meramalkan data deret waktu berdasarkan model aditif di mana tren non-linier sesuai dengan musiman tahunan, mingguan, dan harian, ditambah efek liburan. Ini bekerja paling baik dengan deret waktu yang memiliki efek musiman yang kuat dan beberapa musim data historis. Prophet kuat terhadap data yang hilang dan pergeseran tren, dan biasanya menangani outlier dengan baik.

Random forest adalah algoritma pembelajaran yang diawasi. "Hutan" yang dibangunnya, adalah ansambel pohon keputusan, biasanya dilatih dengan metode "mengantongi". Ide umum dari metode pengantongan adalah bahwa kombinasi model pembelajaran meningkatkan hasil keseluruhan.

Model perkiraan Rata-Rata Musiman membuat prediksi dengan meneruskan nilai rata-rata data musim terbaru untuk setiap deret waktu dalam data pelatihan.

Model peramalan Naif Musiman membuat prediksi dengan meneruskan nilai target musim terbaru untuk setiap deret waktu dalam data pelatihan.

SGD: Stochastic gradient descent adalah algoritme pengoptimalan yang sering digunakan dalam aplikasi pembelajaran mesin untuk menemukan parameter model yang sesuai dengan kecocokan antara output yang diprediksi dan aktual. Ini adalah teknik yang tidak tepat tetapi kuat.

TCNForecaster: Peramal Jaringan Konvolusional Temporal. TODO: Mintalah tim peramalan untuk pengantar singkat.

XGBoostRegressor: Extreme Gradient Boosting Regressor adalah model pembelajaran mesin yang diawasi menggunakan ansambel pelajar dasar.