ForecastingModels type

Enum per tutti i modelli di previsione supportati da AutoML.
KnownForecastingModels può essere usato in modo intercambiabile con ForecastingModels, questo enum contiene i valori noti supportati dal servizio.

Valori noti supportati dal servizio

AutoArima: Il modello Auto-Auto-Auto-Autoregressive Integrated Moving Average (ARIMA) utilizza dati di serie temporali e analisi statistiche per interpretare i dati e fare previsioni future. Questo modello mira a spiegare i dati utilizzando i dati delle serie temporali sui valori passati e utilizza la regressione lineare per effettuare stime.
Prophet: Prophet è una procedura per prevedere i dati delle serie temporali basata su un modello additivo in cui le tendenze non lineari sono adattate alla stagionalità annuale, settimanale e giornaliera, oltre agli effetti delle festività. Funziona meglio con serie temporali che hanno forti effetti stagionali e diverse stagioni di dati storici. Prophet è robusto per i dati mancanti e i cambiamenti nel trend e in genere gestisce bene i valori anomali.
Naive: Il modello di previsione Naive fa previsioni portando avanti il valore target più recente per ogni serie temporale nei dati di addestramento.
SeasonalNaive: Il modello di previsione Seasonal Naive fa previsioni portando avanti l'ultima stagione dei valori target per ciascuna serie temporale nei dati di addestramento.
Media: Il modello di previsione media effettua previsioni portando avanti la media dei valori target per ciascuna serie temporale nei dati di addestramento.
SeasonalAverage: Il modello di previsione della Stagione Media effettua previsioni portando avanti il valore medio dell'ultima stagione dei dati per ogni serie temporale nei dati di addestramento.
EsponenzialSmoothing: L'esponenziale smoothing è un metodo di previsione di serie temporali per dati univariati che può essere esteso per supportare dati con una tendenza sistematica o una componente stagionale.
Arimax: Un modello ARIMAX (Autoregressive Integrated Moving Average with Explanatory Variable) può essere visto come un modello di regressione multipla con uno o più termini autoregressivi (AR) e/o uno o più termini di media mobile (MA). Questo metodo è adatto per la previsione quando i dati sono stazionari/non stazionari e multivariati con qualsiasi tipo di modello di dati, ad esempio livello/tendenza/stagionalità/ciclicità.
TCNForecaster: TCNForecaster: Prevedente di Reti Convoluzionali Temporali. DA FARE: Chiedi al team di previsione una breve introduzione.
ElasticNet: La rete elastica è un tipo popolare di regressione lineare regolarizzata che combina due penalità popolari, in particolare le funzioni di penalità L1 e L2.
GradientBoosting: La tecnica di trasformare gli studenti settimanali in un apprendente forte si chiama Boosting. Il processo dell'algoritmo di potenziamento del gradiente funziona su questa teoria dell'esecuzione.
DecisionTree: Gli alberi decisionali sono un metodo di apprendimento supervisionato non parametrico utilizzato sia per compiti di classificazione che di regressione. L'obiettivo è creare un modello che preveda il valore di una variabile target apprendendo semplici regole decisionali dedotte dalle funzionalità dei dati.
KNN: L'algoritmo K-nearest neighbors (KNN) utilizza la 'feature similarity' per prevedere i valori dei nuovi punti dati, il che significa inoltre che al nuovo data point verrà assegnato un valore basato su quanto corrisponda ai punti dell'insieme di addestramento.
LassoLars: Adattamento del modello Lasso con la Regressione a Angolo Minimo, ovvero Lars. Si tratta di un modello lineare addestrato con un L1 a priori come regolarizzatore.
SGD: SGD: La discesa del gradiente stocastico è un algoritmo di ottimizzazione spesso utilizzato in applicazioni di apprendimento automatico per trovare i parametri del modello che corrispondono al miglior adattamento tra output previsti e risultati reali. È una tecnica inesatta ma potente.
RandomForest: Random forest è un algoritmo di apprendimento supervisionato. La "foresta" che costruisce, è un insieme di alberi decisionali, solitamente addestrati con il metodo del "bagging". L'idea generale del metodo di insaccamento è che una combinazione di modelli di apprendimento aumenta il risultato complessivo.
ExtremeRandomTrees: Extreme Trees è un algoritmo di machine learning in ensemble che combina le previsioni di molti alberi decisionali. È correlato all'algoritmo della foresta casuale ampiamente utilizzato.
LightGBM: LightGBM è un framework di gradient boosting che utilizza algoritmi di apprendimento basati su alberi.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor è un modello di machine learning supervisionato che utilizza un ensemble di apprendenti base.