KnownForecastingModels enum

説明変数付き自己回帰統合移動平均(ARIMAX)モデルは、1つ以上の自己回帰(AR)項および/または1つ以上の移動平均(MA)項を持つ重回帰モデルと見なすことができます。 この方法は、データが定常/非定常であり、レベル/トレンド/季節性/周期性など、あらゆるタイプのデータパターンで多変量である場合の予測に適しています。

自動自己回帰統合移動平均 (ARIMA) モデルは、時系列データと統計分析を使用してデータを解釈し、将来の予測を行います。 このモデルは、過去の値に関する時系列データを使用してデータを説明し、線形回帰を使用して予測を行うことを目的としています。

平均予測モデルは、トレーニング データ内の各時系列の目標値の平均を繰り越すことによって予測を行います。

デシジョンツリーは、分類タスクと回帰タスクの両方に使用されるノンパラメトリック教師あり学習手法です。 目標は、データ特徴から推測された単純な決定ルールを学習することにより、ターゲット変数の値を予測するモデルを作成することです。

弾性ネットは、2 つの一般的なペナルティ、特に L1 ペナルティ関数と L2 ペナルティ関数を組み合わせた、一般的なタイプの正則化線形回帰です。

指数平滑化は、体系的な傾向または季節成分を持つデータをサポートするために拡張できる、単変量データの時系列予測方法です。

Extreme Trees は、多くの決定木からの予測を組み合わせたアンサンブル機械学習アルゴリズムです。 これは、広く使用されているランダムフォレストアルゴリズムに関連しています。

週の学習者を強い学習者に移行させるテクニックは、ブースティングと呼ばれます。 勾配ブースティングアルゴリズムプロセスは、この実行理論に基づいて機能します。

K最近傍(KNN)アルゴリズムは、「特徴の類似性」を使用して新しいデータポイントの値を予測し、さらに、新しいデータポイントにトレーニングセット内のポイントにどれだけ近いかに基づいて値が割り当てられることを意味します。

Least Angle Regression 別名 Lars によるなげなわモデルの適合。 これは、正規化器として L1 事前を使用してトレーニングされた線形モデルです。

LightGBMは、ツリーベースの学習アルゴリズムを使用する勾配ブースティングフレームワークです。

単純予測モデルは、トレーニング データ内の各時系列の最新の目標値を繰り越すことによって予測を行います。

Prophet は、非線形傾向が年次、週次、日次の季節性と休日の影響に適合する加法モデルに基づいて時系列データを予測する手順です。 これは、強い季節効果を持つ時系列と、複数の季節の履歴データに最適です。 Prophet は、欠損データやトレンドの変化に対して堅牢であり、通常、外れ値を適切に処理します。

ランダムフォレストは教師あり学習アルゴリズムです。 それが構築する「フォレスト」は、通常「バギング」方式でトレーニングされた決定木のアンサンブルです。 バギング法の一般的な考え方は、学習モデルの組み合わせが全体的な結果を向上させるというものです。

季節平均予測モデルは、トレーニング データの各時系列の最新のシーズンのデータの平均値を繰り越すことによって予測を行います。

季節ナイーブ予測モデルは、トレーニング データ内の各時系列の目標値の最新のシーズンを繰り越すことによって予測を行います。

SGD: 確率的勾配降下法は、予測出力と実際の出力の最適な適合に対応するモデル パラメーターを見つけるために、機械学習アプリケーションでよく使用される最適化アルゴリズムです。 これは不正確ですが、強力なテクニックです。

TCNForecaster 時間畳み込みネットワーク予報器 TODO: 予測チームに簡単な紹介を尋ねてください。

XGBoostRegressor: Extreme Gradient Boosting Regressor は、基本学習器のアンサンブルを使用する教師あり機械学習モデルです。