ForecastingModels type

Définit des valeurs pour ForecastingModels.
KnownForecastingModels pouvez être utilisé de manière interchangeable avec ForecastingModels, cette énumération contient les valeurs connues que le service prend en charge.

Valeurs connues prises en charge par le service

modèle AutoArima: le modèle de moyenne mobile intégrée autorégressive (ARIMA) utilise des données de série chronologique et une analyse statistique pour interpréter les données et effectuer des prédictions futures. Ce modèle vise à expliquer les données à l’aide de données de série chronologique sur ses valeurs passées et utilise la régression linéaire pour effectuer des prédictions.
Prophète: Le prophète est une procédure permettant de prévoir des données de série chronologique basées sur un modèle additif où les tendances non linéaires sont adaptées à la saisonnalité annuelle, hebdomadaire et quotidienne, ainsi qu’aux effets des vacances. Il fonctionne mieux avec les séries chronologiques qui ont des effets saisonniers forts et plusieurs saisons de données historiques. Le prophète est robuste pour les données manquantes et les changements dans la tendance, et gère généralement les valeurs hors norme.
Naive : le modèle de prévision Naive effectue des prédictions en transférant la dernière valeur cible pour chaque série chronologique dans les données d’apprentissage.
SeasonalNaive: le modèle de prévision naive saisonnier effectue des prédictions en transférant la dernière saison des valeurs cibles pour chaque série chronologique dans les données d’entraînement.
moyenne: le modèle de prévision moyenne effectue des prédictions en transférant la moyenne des valeurs cibles pour chaque série chronologique dans les données d’apprentissage.
seasonalAverage: le modèle de prévision de la moyenne saisonnière effectue des prédictions en transférant la valeur moyenne des données de la dernière saison pour chaque série chronologique dans les données d’entraînement.
exponentialSmoothing: le lissage exponentiel est une méthode de prévision de série chronologique pour les données univariées qui peuvent être étendues pour prendre en charge les données avec une tendance systématique ou un composant saisonnier.
modèle Arimax: une moyenne mobile intégrée régressive avec une variable explicatif (ARIMAX) peut être considérée comme un modèle de régression multiple avec un ou plusieurs termes autorégressifs (AR) et/ou un ou plusieurs termes de moyenne mobile (MA). Cette méthode convient à la prévision lorsque les données sont stationnaires/non stationnaires et multivariées avec n’importe quel type de modèle de données, c’est-à-dire niveau/tendance /saisonnalité/cyclique.
TCNForecaster: TCNForecaster : Prévision de réseaux convolutionnels temporels. TODO : Demandez à l’équipe de prévision une brève introduction.
ElasticNet: le réseau élastique est un type populaire de régression linéaire régulière qui combine deux pénalités populaires, en particulier les fonctions de pénalité L1 et L2.
GradientBoosting: la technique de transit des apprenants de semaine dans un apprenant fort est appelée Boosting. Le processus d’algorithme de renforcement de dégradé fonctionne sur cette théorie de l’exécution.
DecisionTree: les arbres de décision sont une méthode d’apprentissage supervisée non paramétrique utilisée pour les tâches de classification et de régression. L’objectif est de créer un modèle qui prédit la valeur d’une variable cible en apprenant des règles de décision simples déduites des fonctionnalités de données.
KNN: l’algorithme K-nearest voisin (KNN) utilise la « similarité des caractéristiques » pour prédire les valeurs des nouveaux points de données, ce qui signifie que le nouveau point de données sera attribué une valeur en fonction de la façon dont il correspond aux points dans le jeu d’entraînement.
LassoLars: le modèle Lasso s’adapte à la régression d’angle minimum a.k.a. Lars. Il s’agit d’un modèle linéaire entraîné avec un L1 antérieur comme normaliseur.
SGD: SGD : descente de dégradé stochastique est un algorithme d’optimisation souvent utilisé dans les applications Machine Learning pour trouver les paramètres de modèle qui correspondent au meilleur ajustement entre les sorties prédites et réelles. C’est une technique inexacte mais puissante.
RandomForest: la forêt aléatoire est un algorithme d’apprentissage supervisé. La « forêt » qu’il construit est un ensemble d’arbres de décision, généralement formé avec la méthode « bagging ». L’idée générale de la méthode de bagging est qu’une combinaison de modèles d’apprentissage augmente le résultat global.
ExtremeRandomTrees: Extreme Trees est un algorithme d’apprentissage automatique d’ensemble qui combine les prédictions de nombreux arbres de décision. Il est lié à l’algorithme de forêt aléatoire largement utilisé.
LightGBM: LightGBM est un framework de renforcement de dégradé qui utilise des algorithmes d’apprentissage basé sur des arborescences.
XGBoostRegressor: XGBoostRegressor : Extreme Gradient Boosting Regressor est un modèle machine learning supervisé à l’aide d’un ensemble d’apprenants de base.