ForecastingModels type

Определяет значения для ForecastingModels.
KnownForecastingModels можно использовать взаимозаменяемо с ForecastingModels, этот перечисление содержит известные значения, поддерживаемые службой.

Известные значения, поддерживаемые службой

AutoArima: модель авторегистрирования интегрированного скользящего среднего (ARIMA) использует данные временных рядов и статистический анализ для интерпретации данных и создания будущих прогнозов. Эта модель направлена на объяснение данных с помощью данных временных рядов по прошлым значениям и использует линейную регрессию для прогнозирования.
Пророк: Пророк является процедурой прогнозирования данных временных рядов на основе аддитивной модели, где нелинейные тенденции подходят с ежегодной, еженедельной и ежедневной сезонностью, а также эффектами праздников. Он лучше всего работает с временными рядами, которые имеют сильные сезонные эффекты и несколько сезонов исторических данных. Пророк является надежным для отсутствия данных и сдвигов в тренде, и обычно обрабатывает выпадающие хорошо.
наивный: модель наивного прогнозирования делает прогнозы путем передачи последних целевых значений для каждого временных рядов в обучающих данных.
Сезоннаяnaive: сезонная наивная модель прогнозирования делает прогнозы путем переноса последних сезонов целевых значений для каждого временных рядов в обучающих данных.
Среднее. Средняя модель прогнозирования делает прогнозы путем переадресации среднего значения целевых значений для каждого временных рядов в обучающих данных.
сезонной. Модель прогнозирования сезонных средних показателей делает прогнозы путем переадресации среднего значения последних сезонов данных для каждого временных рядов в обучающих данных.
ExponentialSmoothing: экспоненциальное сглаживание — это метод прогнозирования временных рядов для неивариантных данных, которые можно расширить для поддержки данных с систематической тенденцией или сезонным компонентом.
Arimax: модель авторегистрирования интегрированного скользящего среднего с помощью пояснительной переменной (ARIMAX) можно рассматривать как модель нескольких регрессий с одним или несколькими терминами авторегистрирования (AR) и (или) одним или несколькими скользящих средних (MA). Этот метод подходит для прогнозирования, если данные являются нестановными или нестанционными, а также многовариантны с любым типом шаблона данных, т. е. уровня/тренда /сезонности/цикличности.
TCNForecaster: TCNForecaster: синтаксизатор временных сверточных сетей. TODO: Попросите команду прогнозирования для краткого интро.
ElasticNet: эластичная сеть является популярным типом регулярной линейной регрессии, которая объединяет два популярных штрафа, в частности функции штрафа L1 и L2.
GradientBoosting: метод транзита еженедельных учащихся в сильный учащийся называется Повышение. Процесс повышения градиента работает над этой теорией выполнения.
DecisionTree: деревья принятия решений — это непараметрический защищенный метод обучения, используемый как для задач классификации, так и регрессии. Цель — создать модель, которая предсказывает значение целевой переменной, изучая простые правила принятия решений, полученные из функций данных.
KNN: алгоритм K-ближайших соседей (KNN) использует "сходство признаков" для прогнозирования значений новых точек данных, что означает, что новая точка данных будет назначена значение на основе того, насколько тесно он соответствует точкам в обучающем наборе.
LassoLars: модель Лассо соответствует наименее угловой регрессии a.k.a. Lars. Это линейная модель, обученная с помощью L1 до того, как регулярное средство.
: градиентный спуск стохастик — это алгоритм оптимизации, который часто используется в приложениях машинного обучения для поиска параметров модели, соответствующих оптимальному подходу между прогнозируемыми и фактическими выходными данными. Это нетекстный, но мощный метод.
RandomForest: случайный лес — это защищенный алгоритм обучения. "лес" он строит, является ансамблем деревьев принятия решений, как правило, обучен с помощью метода "bagging". Общая идея метода мешка заключается в том, что сочетание моделей обучения увеличивает общий результат.
ExtremeRandomTrees: экстремальные деревья — это алгоритм машинного обучения ансамбля, который объединяет прогнозы из многих деревьев принятия решений. Он связан с широко используемым алгоритмом случайного леса.
LightGBM: LightGBM — это градиентная платформа повышения, использующая алгоритмы обучения на основе дерева.
XGBoostRegressor: XGBoostRegressor: Extreme Gradient Boosting Regressor является защищенной моделью машинного обучения с помощью ансамбля базовых учащихся.