ForecastingModels type

Definisce i valori per ForecastingModels.
NotoForecastingModels può essere usato in modo intercambiabile con ForecastingModels, questo enumerazione contiene i valori noti supportati dal servizio.

Valori noti supportati dal servizio

AutoArima: modello ARIMA (Auto-Autoregressive Integrated Moving Average) usa i dati delle serie temporali e l'analisi statistica per interpretare i dati e effettuare stime future. Questo modello mira a spiegare i dati usando i dati delle serie temporali sui valori precedenti e usa la regressione lineare per effettuare stime.
Profeta: Profeta è una procedura per prevedere i dati delle serie temporali in base a un modello additivo in cui le tendenze non lineari si adattano con la stagionalità annuale, settimanale e giornaliera, oltre agli effetti delle vacanze. Funziona meglio con le serie temporali che hanno forti effetti stagionali e diverse stagioni di dati storici. Profeta è affidabile per i dati mancanti e i cambiamenti nella tendenza e in genere gestisce bene gli outlier.
Naive: il modello di previsione Naive effettua stime portando avanti il valore di destinazione più recente per ogni serie temporale nei dati di training.
StagionaleNaive: il modello di previsione stagionale Naive effettua stime portando avanti la stagione più recente dei valori di destinazione per ogni serie temporale nei dati di training.
Media: il modello di previsione medio effettua stime portando avanti la media dei valori di destinazione per ogni serie temporale nei dati di training.
StagionaleAverage: il modello di previsione media stagionale effettua stime portando avanti il valore medio della stagione più recente dei dati per ogni serie temporale nei dati di training.
EsponenzialeSmoothing: lo smoothing esponenziale è un metodo di previsione delle serie temporali per i dati nonvariati che possono essere estesi per supportare i dati con una tendenza sistematica o un componente stagionale.
Arimax: un modello ARIMAX (Autoregressive Integrated Moving Average) con una variabile esplicativa (ARIMAX) può essere considerato come un modello di regressione multiplo con uno o più termini ar (autoregressive) e/o uno o più termini di media mobile (MA). Questo metodo è adatto per la previsione quando i dati sono fissi/non stazioni e multivariati con qualsiasi tipo di modello di dati, ad esempio livello/tendenza /stagionalità/cyclicity.
TCNForecaster: TCNForecaster: Previsione reti temporali convolutzionali. TODO: chiedere al team di previsione una breve introduzione.
ElasticNet: la rete elastica è un tipo popolare di regressione lineare regolare che combina due penali popolari, in particolare le funzioni di penalità L1 e L2.
GradientBoosting: la tecnica di transito degli studenti della settimana in un apprendimento forte è chiamata Boosting. Il processo dell'algoritmo di aumento della sfumatura funziona su questa teoria di esecuzione.
DecisionTree: Gli alberi delle decisioni sono un metodo di apprendimento con supervisione non parametrica usato per le attività di classificazione e regressione. L'obiettivo è creare un modello che stima il valore di una variabile di destinazione tramite l'apprendimento di regole decisionali semplici derivate dalle funzionalità dei dati.
KNN: l'algoritmo K-nearest nears (KNN) usa 'feature similarity' per stimare i valori dei nuovi punti dati che significa ulteriormente che il nuovo punto dati verrà assegnato un valore in base alla corrispondenza con i punti del set di training.
LassoLars: il modello Lasso è adatto a Least Angle Regression a.k.a. Lars. È un modello lineare sottoposto a training con un regolarizzatore L1 precedente.
SGD: SGD: la discesa della sfumatura stochastica è un algoritmo di ottimizzazione spesso usato nelle applicazioni di Machine Learning per trovare i parametri del modello che corrispondono alla migliore adatta tra gli output stimati e effettivi. È una tecnica inesattiva ma potente.
RandomForest: la foresta casuale è un algoritmo di apprendimento con supervisione. La "foresta" viene compilata, è un insieme di alberi decisionali, in genere sottoposti a training con il metodo "bagging". L'idea generale del metodo di bagging è che una combinazione di modelli di apprendimento aumenta il risultato complessivo.
ExtremeRandomTrees: Extreme Trees è un algoritmo di Machine Learning completo che combina le stime di molti alberi decisionali. È correlato all'algoritmo di foresta casuale ampiamente usato.
LightGBM: LightGBM è un framework di boosting a gradienti che usa algoritmi di apprendimento basati su albero.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor è un modello di Machine Learning supervisionato usando un insieme di studenti di base.