ForecastingModels type

Enum para todos os modelos de previsão suportados pelo AutoML.
KnownForecastingModels pode ser usado de forma intercambiável com ForecastingModels, este enum contém os valores conhecidos que o serviço suporta.

Valores conhecidos suportados pelo serviço

AutoArima: Modelo Auto-Auto-Autoregressive Integrated Moving Average (ARIMA) utiliza dados de séries temporais e análise estatística para interpretar os dados e fazer previsões futuras. Este modelo tem como objetivo explicar os dados usando dados de séries temporais sobre seus valores passados e usa regressão linear para fazer previsões.
Prophet: Prophet é um procedimento para prever dados de séries temporais baseado num modelo aditivo onde tendências não lineares são ajustadas à sazonalidade anual, semanal e diária, além dos efeitos festivos. Funciona melhor com séries temporais que têm fortes efeitos sazonais e várias estações de dados históricos. O Prophet é robusto para dados ausentes e mudanças na tendência, e normalmente lida bem com outliers.
Naive: O modelo de previsão Naive faz previsões ao transferir o valor alvo mais recente para cada série temporal nos dados de treino.
SeasonalNaive: O modelo de previsão Seasonal Naive faz previsões ao transferir a estação mais recente de valores-alvo para cada série temporal nos dados de treino.
Média: O modelo de previsão média faz previsões transferindo a média dos valores-alvo para cada série temporal nos dados de treino.
Média Sazonal: O modelo de previsão da Média Sazonal faz previsões transportando o valor médio dos dados da estação mais recente para cada série temporal nos dados de treino.
Suavização Exponencial: A suavização exponencial é um método de previsão de séries temporais para dados univariados que pode ser estendido para suportar dados com uma tendência sistemática ou componente sazonal.
Arimax: Um modelo de Média Móvel Integrada Autoregressiva com Variável Explicativa (ARIMAX) pode ser visto como um modelo de regressão múltipla com um ou mais termos autoregressivos (AR) e/ou um ou mais termos de média móvel (MA). Este método é adequado para prever quando os dados são estacionários/não estacionários e multivariados com qualquer tipo de padrão de dados, ou seja, nível/tendência/sazonalidade/ciclicidade.
TCNForecaster: TCNForecaster: Previsor de Redes Convolucionais Temporais. TODO: Peça uma breve introdução à equipe de previsão.
ElasticNet: A rede elástica é um tipo popular de regressão linear regularizada que combina duas penalizações populares, especificamente as funções de penalização L1 e L2.
GradientBoosting: A técnica de transitar os alunos da semana para um aprendiz forte chama-se Boosting. O processo do algoritmo de aumento de gradiente trabalha nesta teoria de execução.
Árvore de Decisão: As Árvores de Decisão são um método de aprendizagem supervisionada não paramétrico utilizado tanto para tarefas de classificação como de regressão. O objetivo é criar um modelo que preveja o valor de uma variável de destino aprendendo regras de decisão simples inferidas a partir dos recursos de dados.
KNN: O algoritmo K-vizinhos mais próximos (KNN) usa 'similaridade de características' para prever os valores de novos pontos de dados, o que significa ainda que o novo ponto de dados será atribuído a um valor com base na proximidade com os pontos do conjunto de treino.
LassoLars: Ajuste do modelo Lasso com Regressão de Ângulo Mínimo, também conhecido como Lars. É um Modelo Linear treinado com um L1 prévio como regularizador.
SGD: SGD: A descida do gradiente estocástico é um algoritmo de otimização frequentemente utilizado em aplicações de aprendizagem automática para encontrar os parâmetros do modelo que correspondem ao melhor ajuste entre os resultados previstos e reais. É uma técnica inexata, mas poderosa.
RandomForest: Random forest é um algoritmo de aprendizagem supervisionada. A "floresta" que constrói, é um conjunto de árvores de decisão, geralmente treinadas com o método do "ensacamento". A ideia geral do método de ensacamento é que uma combinação de modelos de aprendizagem aumenta o resultado geral.
ExtremeRandomTrees: Extreme Trees é um algoritmo de aprendizagem automática em conjunto que combina as previsões de várias árvores de decisão. Está relacionado com o algoritmo de floresta aleatória amplamente utilizado.
LightGBM: O LightGBM é um framework de aumento de gradiente que utiliza algoritmos de aprendizagem baseados em árvores.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor é um modelo supervisionado de aprendizagem automática que utiliza um conjunto de aprendizes base.