ForecastingModel Estrutura

Inicializa uma nova instância de ForecastingModel.

Um modelo de Média Móvel Integrada Autoregressiva com Variável Explicativa (ARIMAX) pode ser exibido como um modelo de regressão múltipla com um ou mais termos de AR (autoregressive) e/ou um ou mais termos ma (média móvel). Esse método é adequado para previsão quando os dados são estacionários/não estacionários e são multivariados com qualquer tipo de padrão de dados, ou seja, level/trend /seasonality/cyclicity.

O modelo ARIMA (Auto-Autoregressive Integrated Moving Average) usa dados de série temporal e análise estatística para interpretar os dados e fazer previsões futuras. Esse modelo tem como objetivo explicar os dados usando dados de série temporal em seus valores passados e usa regressão linear para fazer previsões.

O modelo de previsão Average faz previsões passando o a média dos valores de destino para cada série temporal nos dados de treinamento.

Árvores de Decisão são um método de aprendizado supervisionado não paramétrico usado para tarefas de classificação e regressão. O objetivo é criar um modelo que preveja o valor de uma variável de destino aprendendo regras de decisão simples inferidas dos recursos de dados.

A rede elástica é um tipo popular de regressão linear regularizada que combina duas penalidades populares, especificamente as funções de penalidade L1 e L2.

A suavização exponencial é um método de previsão de série temporal para dados univariados que podem ser estendidos para dar suporte a dados com uma tendência sistemática ou componente sazonal.

Extreme Trees é um algoritmo de aprendizado de máquina ensemble que combina as previsões de muitas árvores de decisão. Ele está relacionado ao algoritmo de floresta aleatória amplamente usado.

A técnica de transitar alunos da semana para um aluno forte é chamada de Boosting. O processo de algoritmo de aumento de gradiente funciona nessa teoria da execução.

O algoritmo KNN (K-nearest neighbors) usa "similaridade de recurso" para prever os valores de novos pontos de dados, o que significa ainda que o novo ponto de dados receberá um valor com base na proximidade com que ele corresponde aos pontos no conjunto de treinamento.

O modelo de laço se encaixa com Regressão de Ângulo Mínimo, também conhecido como Lars. É um Modelo Linear treinado com um L1 anterior como regularizador.

LightGBM é uma estrutura de aumento de gradiente que usa algoritmos de aprendizado baseados em árvore.

O modelo de previsão Naive faz previsões ao transportar o valor de destino mais recente para cada série temporal nos dados de treinamento.

O Prophet é um procedimento para prever dados de série temporal com base em um modelo aditivo em que tendências não lineares se encaixam com sazonalidade anual, semanal e diária, além de efeitos de férias. Funciona melhor com séries temporais que têm fortes efeitos sazonais e várias temporadas de dados históricos. O Prophet é robusto para dados ausentes e mudanças na tendência, e normalmente lida bem com exceções.

A floresta aleatória é um algoritmo de aprendizado supervisionado. A "floresta" que ela constrói, é um conjunto de árvores de decisão, geralmente treinadas com o método bagging. A ideia geral do método de ensacar é que uma combinação de modelos de aprendizado aumenta o resultado geral.

O modelo de previsão Seasonal Average faz previsões passando o valor médio da estação de dados mais recente para cada série temporal nos dados de treinamento.

O modelo de previsão Seasonal Naive faz previsões ao transportar a temporada mais recente de valores de destino para cada série temporal nos dados de treinamento.

SGD: descendente de gradiente estocástico é um algoritmo de otimização geralmente usado em aplicativos de machine learning para localizar os parâmetros de modelo que correspondem ao melhor ajuste entre saídas previstas e reais. É uma técnica inexata, mas poderosa.

TCNForecaster: Previsão de Redes Convolucionais Temporais. TODO: Peça à equipe de previsão uma breve introdução.

XGBoostRegressor: O Regressor de Aumento de Gradiente Extremo é um modelo de machine learning supervisionado que usa um conjunto de aprendizes de base.

Indica se o objeto atual é igual a outro objeto do mesmo tipo.

Retorna o nome do tipo totalmente qualificado dessa instância.

Determina se dois ForecastingModel valores são os mesmos.

Converte uma cadeia de caracteres em um ForecastingModel.

Determina se dois ForecastingModel valores não são os mesmos.