KnownForecastingModels enum

설명 변수가 있는 자동 회귀 통합 이동 평균(ARIMAX) 모델은 하나 이상의 자동 회귀(AR) 항 및/또는 하나 이상의 이동 평균(MA) 항이 있는 다중 회귀 모델로 볼 수 있습니다. 이 방법은 데이터가 고정/비고정일 때 예측하는 데 적합하며 모든 유형의 데이터 패턴(예: 수준/추세/계절성/순환성)과 다변량입니다.

ARIMA(Auto-Autoregressive Integrated Moving Average) 모델은 시계열 데이터와 통계 분석을 사용하여 데이터를 해석하고 미래를 예측합니다. 이 모델은 과거 값에 대한 시계열 데이터를 사용하여 데이터를 설명하고 선형 회귀를 사용하여 예측하는 것을 목표로 합니다.

평균 예측 모델은 훈련 데이터의 각 시계열에 대한 목표 값의 평균을 이월하여 예측을 수행합니다.

의사 결정 트리는 분류 및 회귀 작업 모두에 사용되는 비모수 지도 학습 방법입니다. 목표는 데이터 기능에서 추론된 간단한 의사결정 규칙을 학습하여 대상 변수의 값을 예측하는 모델을 만드는 것입니다.

탄성망은 널리 사용되는 두 가지 페널티, 특히 L1 및 L2 페널티 함수를 결합한 인기 있는 정규화된 선형 회귀 유형입니다.

지수 평활화는 체계적인 추세 또는 계절적 구성 요소가 있는 데이터를 지원하도록 확장할 수 있는 단변량 데이터에 대한 시계열 예측 방법입니다.

Extreme Trees는 여러 의사결정 트리의 예측을 결합한 앙상블 기계 학습 알고리즘입니다. 널리 사용되는 랜덤 포레스트 알고리즘과 관련이 있습니다.

주간 학습자를 강력한 학습자로 전환하는 기술을 부스팅이라고 합니다. 그래디언트 부스팅 알고리즘 프로세스는 이 실행 이론에서 작동합니다.

K-최근접 이웃(KNN) 알고리즘은 '특징 유사성'을 사용하여 새 데이터 포인트의 값을 예측하며, 이는 새 데이터 포인트가 훈련 세트의 포인트와 얼마나 밀접하게 일치하는지에 따라 값이 할당된다는 것을 의미합니다.

Least Angle Regression(일명 Lars)에 맞는 올가미 모델. L1 사전을 정규화기로 사용하여 훈련된 선형 모델입니다.

LightGBM은 트리 기반 학습 알고리즘을 사용하는 그래디언트 부스팅 프레임워크입니다.

Naive 예측 모델은 훈련 데이터의 각 시계열에 대한 최신 목표 값을 이월하여 예측을 수행합니다.

Prophet은 비선형 추세가 연간, 주간 및 일별 계절성과 휴일 효과에 맞는 가산 모델을 기반으로 시계열 데이터를 예측하는 절차입니다. 강력한 계절 효과가 있는 시계열과 여러 계절의 과거 데이터에 가장 적합합니다. Prophet은 누락된 데이터와 추세의 변화에 견고하며 일반적으로 이상값을 잘 처리합니다.

랜덤 포레스트는 지도 학습 알고리즘입니다. 그것이 구축하는 "숲"은 일반적으로 "배깅" 방법으로 훈련된 의사결정 트리의 앙상블입니다. 배깅 방법의 일반적인 아이디어는 학습 모델의 조합이 전반적인 결과를 증가시킨다는 것입니다.

계절 평균 예측 모델은 훈련 데이터의 각 시계열에 대한 최신 데이터 시즌의 평균값을 이월하여 예측을 수행합니다.

계절 순진한 예측 모델은 훈련 데이터의 각 시계열에 대한 목표 값의 최신 시즌을 이월하여 예측을 수행합니다.

SGD: 확률적 기울기 하강법은 예측된 출력과 실제 출력 사이에 가장 적합한 모델 매개변수를 찾기 위해 기계 학습 애플리케이션에서 자주 사용되는 최적화 알고리즘입니다. 부정확하지만 강력한 기술입니다.

TCNForecaster: 시간 컨볼루션 네트워크 예측기. TODO: 간략한 소개를 위해 예측 팀에 요청하십시오.

XGBoostRegressor: Extreme Gradient Boosting Regressor는 기본 학습자의 앙상블을 사용하는 지도 기계 학습 모델입니다.