KnownForecastingModels enum

Model autoregresyjnej zintegrowanej średniej ruchomej ze zmienną objaśniającą (ARIMAX) może być postrzegany jako model regresji wielorakiej z jednym lub kilkoma składnikami autoregresyjnymi (AR) i/lub jednym lub kilkoma składnikami średniej ruchomej (MA). Ta metoda jest odpowiednia do prognozowania, gdy dane są stacjonarne/niestacjonarne, i wielowymiarowe z dowolnym typem wzorca danych, tj. poziomem/trendem/sezonowością/cyklicznością.

Model Auto-Autoregressive Integrated Moving Average (ARIMA) wykorzystuje dane szeregów czasowych i analizę statystyczną do interpretowania danych i tworzenia 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.

Model prognozowania Średnia tworzy prognozy, przenosząc do przodu średnią wartości docelowych dla każdego szeregu czasowego w danych treningowych.

Drzewa decyzyjne to nieparametryczna metoda uczenia nadzorowanego używana zarówno do zadań klasyfikacji, jak i regresji. Celem jest stworzenie modelu, który przewiduje wartość zmiennej docelowej poprzez uczenie się prostych reguł decyzyjnych wywnioskowanych z funkcji danych.

Elastyczna siatka to popularny rodzaj regularnej regresji liniowej, który łączy dwie popularne kary, w szczególności funkcje kar L1 i L2.

Wygładzanie wykładnicze to metoda prognozowania szeregów czasowych dla danych jednowymiarowych, którą można rozszerzyć w celu obsługi danych z trendem systematycznym lub składnikiem sezonowym.

Extreme Trees to algorytm uczenia maszynowego oparty na zespole, który łączy przewidywania z wielu drzew decyzyjnych. Jest to związane z szeroko stosowanym algorytmem lasu losowego.

Technika przekształcania uczniów uczących się w ciągu tygodnia w silnego ucznia nazywa się Boostingiem. Proces algorytmu zwiększania gradientu działa w oparciu o tę teorię wykonania.

Algorytm K-najbliższych sąsiadów (KNN) wykorzystuje "podobieństwo cech" do przewidywania wartości nowych punktów danych, co dodatkowo oznacza, że nowemu punktowi danych zostanie przypisana wartość na podstawie tego, jak bardzo pasuje do punktów w zbiorze treningowym.

Model Lasso pasuje do Regresji Najmniejszego Kąta a.k.a. Larsa. Jest to model liniowy wytrenowany z uprzednim L1 jako regularyzatorem.

LightGBM to framework zwiększający gradient, który wykorzystuje algorytmy uczenia się oparte na drzewach.

Model prognozowania naiwnego tworzy prognozy, przenosząc najnowszą wartość docelową dla każdego szeregu czasowego w danych treningowych.

Prophet to procedura prognozowania danych szeregów czasowych na podstawie modelu addytywnego, w którym trendy nieliniowe są dopasowane do sezonowości rocznej, tygodniowej i dziennej 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.

Las losowy jest algorytmem 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.

Model prognozowania średniej sezonowej tworzy prognozy, przenosząc średnią wartość danych z najnowszego sezonu dla każdego szeregu czasowego w danych treningowych.

Model prognozowania sezonowego naiwnego tworzy prognozy, przenosząc do przodu najnowszy sezon wartości docelowych dla każdego szeregu czasowego w danych treningowych.

SGD: Stochastyczne zejście gradientowe to algorytm optymalizacyjny często używany w aplikacjach uczenia maszynowego w celu znalezienia parametrów modelu, które odpowiadają najlepszemu dopasowaniu między przewidywanymi a rzeczywistymi wynikami. To niedokładna, ale potężna technika.

TCNForecaster: Prognozowanie czasowych sieci konwolucyjnych. TODO: Poproś zespół ds. prognoz o krótkie wprowadzenie.

XGBoostRegressor: Extreme Gradient Boosting Regressor to nadzorowany model uczenia maszynowego wykorzystujący zespół podstawowych uczniów.