ForecastingModels type

Wyliczenie dla wszystkich modeli prognozowania obsługiwanych przez rozwiązanie AutoML.
Known ForecastingModels mogą być używane zamiennie z ForecastingModels, a ten enum zawiera znane wartości, które obsługuje usługa.

Znane wartości obsługiwane przez usługę

AutoArima: Model Auto-Autoregresyjnej Zintegrowanej Średniej Kroczącej (ARIMA) wykorzystuje dane szeregów czasowych oraz analizę statystyczną do interpretacji danych i formułowania prognoz na przyszłość. Ten model ma na celu wyjaśnienie danych przy użyciu danych szeregów czasowych dotyczących ich przeszłych wartości i wykorzystuje regresję liniową do przewidywania.
Prorok: Prorok to procedura prognozowania danych szeregów czasowych oparta na modelu addytywnym, w którym nieliniowe trendy są dopasowane do rocznej, tygodniowej i dziennej sezonowości oraz efektów świątecznych. Najlepiej sprawdza się w przypadku szeregów czasowych, które mają silne efekty sezonowe i kilku sezonów danych historycznych. Prophet jest odporny na brakujące dane i zmiany trendu i zazwyczaj dobrze radzi sobie z wartościami odstającymi.
Naive: Model prognozowania Naive wykonuje prognozy, przenosząc najnowszą wartość docelową dla każdej serii czasowej w danych treningowych.
SeasonalNaive: Model prognozowania Seasonal Naive przewiduje, przenosząc najnowsze wartości docelowe sezonu dla każdej serii czasowej w danych treningowych.
Średnia: Model prognozowania średniej wykonuje prognozy, przenosząc średnią wartości docelowych dla każdej serii czasowej w danych treningowych.
SeasonalAverage: Model prognozowania Seasonal Average prognozuje prognozy, przenosząc średnią wartość najnowszego sezonu danych dla każdej serii czasowej w danych treningowych.
Wygładzanie wykładnicze: Wygładzanie wykładnicze to metoda prognozowania szeregów czasowych dla danych jednowymiarowych, którą można rozszerzyć, aby wspierać dane o trendzie systematycznym lub komponent sezonowy.
Arimax: Model autoregresyjnej zintegrowanej średniej kroczącej z zmienną wyjaśniającą (ARIMAX) można traktować jako model regresji wielokrotnej z jednym lub więcej składnikami autoregresywnymi (AR) i/lub jednym lub więcej składnikami średniej kroczącej (MA). Ta metoda jest odpowiednia do prognozowania, gdy dane są stacjonarne/niestacjonarne, i wielowymiarowe z dowolnym typem wzorca danych, tj. poziomem/trendem/sezonowością/cyklicznością.
TCNForecaster: TCNForecaster: Prognozer Temporal Convolucional Networks. TODO: Poproś zespół ds. prognoz o krótkie wprowadzenie.
ElasticNet: Elastic net to popularny rodzaj uregulowanej regresji liniowej, który łączy dwie popularne kary, a konkretnie funkcje karne L1 i L2.
GradientBoosting: Technika przenoszenia uczniów tygodnia w silnego ucznia nazywa się Boosting. Proces algorytmu zwiększania gradientu działa w oparciu o tę teorię wykonania.
Drzewo Decyzyjne: Drzewa decyzyjne to nieparametryczna metoda uczenia nadzorowanego stosowana zarówno do zadań klasyfikacyjnych, jak i regresji. Celem jest stworzenie modelu, który przewiduje wartość zmiennej docelowej poprzez uczenie się prostych reguł decyzyjnych wywnioskowanych z funkcji danych.
KNN: Algorytm K-najbliższych sąsiadów (KNN) wykorzystuje "podobieństwo cech" do przewidywania wartości nowych punktów danych, co dodatkowo oznacza, że nowemu punktowi przypisano wartość opartą na tym, jak bardzo odpowiada punktom w zbiorze treningowym.
LassoLars: Model Lasso dopasowany do Least Angle Regression, czyli Lars. Jest to model liniowy wytrenowany z uprzednim L1 jako regularyzatorem.
SGD: SGD: Stochastyczny gradient descent to algorytm optymalizacyjny często stosowany w aplikacjach uczenia maszynowego do znalezienia parametrów modelu odpowiadających najlepszemu dopasowaniu między przewidywanymi a rzeczywistymi wynikami. To niedokładna, ale potężna technika.
RandomForest: Random forest to algorytm uczenia nadzorowanego. "Las", który buduje, jest zbiorem drzew decyzyjnych, zwykle trenowanych metodą "workowania". Ogólna idea metody workowania polega na tym, że połączenie modeli uczenia się zwiększa ogólny wynik.
ExtremeRandomTrees: Extreme Trees to algorytm uczenia maszynowego oparty na zespole, który łączy prognozy z wielu drzew decyzyjnych. Jest to związane z szeroko stosowanym algorytmem lasu losowego.
LightGBM: LightGBM to framework do wzmacniania gradientów, który wykorzystuje algorytmy uczenia oparte na drzewach.
XGBoostRegressor: XGBoostRegressor: Ekstremalny Gradient Boosting Regressor to nadzorowany model uczenia maszynowego wykorzystujący zespół podstawowych uczniów.