KnownForecastingModels enum
Enum per tutti i modelli di previsione supportati da AutoML.
Campi
| 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. |
| AutoArima | Il modello ARIMA (Auto-Autoregressive Integrated Moving Average) 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. |
| Average | Il modello di previsione Media effettua stime riportando avanti la media dei valori target per ogni serie temporale nei dati di training. |
| DecisionTree | Gli alberi decisionali sono un metodo di apprendimento supervisionato non parametrico utilizzato sia per le attività di classificazione che per quelle 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. |
| ElasticNet | La rete elastica è un tipo popolare di regressione lineare regolarizzata che combina due penalità comuni, in particolare le funzioni di penalità L1 e L2. |
| ExponentialSmoothing | Il livellamento esponenziale è un metodo di previsione delle serie temporali per dati univariati che può essere esteso per supportare i dati con una tendenza sistematica o una componente stagionale. |
| ExtremeRandomTrees | Extreme Trees è un algoritmo di apprendimento automatico che combina le previsioni di molti alberi decisionali. È correlato all'algoritmo della foresta casuale ampiamente utilizzato. |
| GradientBoosting | La tecnica di trasformare gli studenti della settimana in uno studente forte si chiama Boosting. Il processo dell'algoritmo di potenziamento del gradiente funziona su questa teoria dell'esecuzione. |
| KNN | L'algoritmo K-nearest neighbors (KNN) utilizza la "somiglianza delle caratteristiche" per prevedere i valori dei nuovi punti dati, il che significa inoltre che al nuovo punto dati verrà assegnato un valore in base alla corrispondenza con i punti nel set di addestramento. |
| LassoLars | Adattamento del modello lazo con la regressione dell'angolo minimo a.k.a. Lars. Si tratta di un modello lineare addestrato con un L1 a priori come regolarizzatore. |
| LightGBM | LightGBM è un framework di potenziamento del gradiente che utilizza algoritmi di apprendimento basati su alberi. |
| Naive | Il modello di previsione Naive esegue stime riportando il valore target più recente per ogni serie temporale nei dati di training. |
| Prophet | Prophet è una procedura per la previsione dei dati delle serie temporali basata su un modello additivo in cui le tendenze non lineari si adattano 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. |
| RandomForest | La foresta casuale 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. |
| SeasonalAverage | Il modello di previsione Media stagionale effettua stime riportando il valore medio dell'ultima stagione di dati per ogni serie temporale nei dati di training. |
| SeasonalNaive | Il modello di previsione Seasonal Naive effettua stime portando avanti l'ultima stagione di valori target per ogni serie temporale nei dati di training. |
| SGD | SGD: La discesa stocastica del gradiente è un algoritmo di ottimizzazione spesso utilizzato nelle applicazioni di apprendimento automatico per trovare i parametri del modello che corrispondono al miglior adattamento tra gli output previsti ed effettivi. È una tecnica inesatta ma potente. |
| TCNForecaster | TCNForecaster: Previsioni di reti convoluzionali temporali. DA FARE: Chiedi al team di previsione una breve introduzione. |
| XGBoostRegressor | XGBoostRegressor: Extreme Gradient Boosting Regressor è un modello di apprendimento automatico supervisionato che utilizza un insieme di studenti di base. |
