ForecastingModels type

Uppräkning för alla prognosmodeller som stöds av AutoML.
KnownForecastingModels kan användas omväxlande med ForecastingModels, detta enum innehåller de kända värden som tjänsten stödjer.

Kända värden som stöds av tjänsten

AutoArima: Auto-Autoregressive Integrated Moving Average (ARIMA)-modellen använder tidsseriedata och statistisk analys för att tolka data och göra framtida prognoser. Denna modell syftar till att förklara data genom att använda tidsseriedata på dess tidigare värden och använder linjär regression för att göra förutsägelser.
Prophet: Prophet är en metod för att förutsäga tidsseriedata baserad på en additiv modell där icke-linjära trender passar med årlig, veckovis och daglig säsongsvariation samt högtidseffekter. Det fungerar bäst med tidsserier som har starka säsongseffekter och flera säsonger med historiska data. Prophet är robust mot saknade data och förändringar i trenden, och hanterar vanligtvis extremvärden väl.
Naive: Naive-prognosmodellen gör prognoser genom att föra vidare det senaste målvärdet för varje tidsserie i träningsdatan.
Säsongsbaserad Naiv: Säsongsbaserad Naiv-prognosmodell gör prognoser genom att föra vidare den senaste säsongens målvärden för varje tidsserie i träningsdatan.
Genomsnitt: Genomsnittsprognosmodellen gör förutsägelser genom att föra över medelvärdet av målvärdena för varje tidsserie i träningsdatan.
Säsongsmedelvärde: Säsongsmedelsprognosmodellen gör prognoser genom att föra över det genomsnittliga värdet av den senaste säsongens data för varje tidsserie i träningsdatan.
Exponentiell utjämning: Exponentiell utjämning är en metod för tidsserieprognoser för univariat data som kan utökas för att stödja data med en systematisk trend eller säsongskomponent.
Arimax: En autoregressiv integrerad glidande medelvärde med förklarande variabel (ARIMAX)-modell kan ses som en multipel regressionsmodell med en eller flera autoregressiva (AR) termer och/eller en eller flera glidande medelvärdestermer (MA). Denna metod är lämplig för prognostisering när data är stationära/icke-stationära och multivariata med alla typer av datamönster, dvs. nivå/trend/säsongsvariation/cyklicitet.
TCNForecaster: TCNForecaster: Temporal Convolutional Networks-prognosmakare. TODO: Be prognosteamet om en kort introduktion.
ElasticNet: Elastiskt nät är en populär typ av regulariserad linjär regression som kombinerar två populära straff, nämligen L1- och L2-strafffunktionerna.
GradientBoosting: Tekniken att omvandla veckovisa elever till en stark elev kallas Boosting. Gradient boosting-algoritmprocessen fungerar på denna teori om utförande.
DecisionTree: Decision Trees är en icke-parametrisk övervakad inlärningsmetod som används för både klassificerings- och regressionsuppgifter. Målet är att skapa en modell som förutsäger värdet på en målvariabel genom att lära sig enkla beslutsregler som härleds från datafunktionerna.
KNN: K-närmaste grannar (KNN)-algoritmen använder 'feature similarity' för att förutsäga värdena på nya datapunkter, vilket dessutom innebär att den nya datapunkten tilldelas ett värde baserat på hur nära den matchar punkterna i träningsuppsättningen.
LassoLars: Lasso-modell passar med Least Angle Regression, även kallad Lars. Det är en linjär modell som tränats med en L1 tidigare som regulariserare.
SGD: SGD: Stokastisk gradientnedstigning är en optimeringsalgoritm som ofta används i maskininlärningsapplikationer för att hitta de modellparametrar som motsvarar den bästa anpassningen mellan förutsagda och faktiska utdata. Det är en inexakt men kraftfull teknik.
RandomForest: Random forest är en övervakad inlärningsalgoritm. Den "skog" som skapas är en ensemble av beslutsträd, som vanligtvis tränas med metoden "bagging". Den allmänna idén med baggingmetoden är att en kombination av inlärningsmodeller ökar det totala resultatet.
ExtremeRandomTrees: Extreme Trees är en ensemble-maskininlärningsalgoritm som kombinerar förutsägelser från många beslutsträd. Det är relaterat till den allmänt använda algoritmen för slumpmässig skog.
LightGBM: LightGBM är ett gradientboostande ramverk som använder trädbaserade inlärningsalgoritmer.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor är en övervakad maskininlärningsmodell som använder en ensemble av basinlärare.