KnownForecastingModels enum

Um modelo de Média Móvel Integrada Autoregressiva com Variável Explicativa (ARIMAX) pode ser visto como um modelo de regressão múltipla com um ou mais termos autorregressivos (RA) e/ou um ou mais termos de média móvel (MA). Este método é adequado para prever quando os dados são estacionários/não estacionários e multivariados com qualquer tipo de padrão de dados, ou seja, nível/tendência/sazonalidade/ciclicidade.

O modelo ARIMA (Auto-regressive Integrated Moving Average) usa dados de séries temporais e análise estatística para interpretar os dados e fazer previsões futuras. Este modelo tem como objetivo explicar os dados usando dados de séries temporais sobre seus valores passados e usa regressão linear para fazer previsões.

O modelo de previsão média faz previsões transportando para a frente a média dos valores-alvo para cada série temporal nos dados de treinamento.

As Árvores de Decisão são um método de aprendizagem supervisionada 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 a partir dos recursos de dados.

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 séries temporais para dados univariados que pode ser estendido para suportar dados com uma tendência sistemática ou componente sazonal.

Extreme Trees é um algoritmo de aprendizado de máquina que combina as previsões de muitas árvores de decisão. Está relacionado com o algoritmo de floresta aleatória amplamente utilizado.

A técnica de transitar os alunos da semana para um aluno forte é chamada de Boosting. O processo do algoritmo de aumento de gradiente trabalha nesta teoria de execução.

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

O modelo de Laço se encaixa com Regressão de Menor Ângulo, também conhecido como Lars. É um Modelo Linear treinado com um L1 prévio como regularizador.

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

O modelo de previsão Naive faz previsões transportando o valor alvo mais recente para cada série temporal nos dados de treinamento.

Prophet é um procedimento para prever dados de séries temporais com base em um modelo aditivo onde as tendências não lineares são ajustadas com a sazonalidade anual, semanal e diária, além de efeitos de férias. Funciona melhor com séries temporais que têm fortes efeitos sazonais e várias estações de dados históricos. O Prophet é robusto para dados ausentes e mudanças na tendência, e normalmente lida bem com outliers.

A floresta aleatória é um algoritmo de aprendizagem supervisionada. A "floresta" que constrói, é um conjunto de árvores de decisão, geralmente treinadas com o método do "ensacamento". A ideia geral do método de ensacamento é que uma combinação de modelos de aprendizagem aumenta o resultado geral.

O modelo de previsão da média sazonal faz previsões transportando o valor médio da última temporada de dados para cada série temporal nos dados de treinamento.

O modelo de previsão Seasonal Naive faz previsões transportando a última temporada de valores-alvo para cada série temporal nos dados de treinamento.

SGD: A descida de gradiente estocástico é um algoritmo de otimização frequentemente usado em aplicações de aprendizado de máquina para encontrar os parâmetros do modelo que correspondem ao melhor ajuste entre as saídas previstas e reais. É uma técnica inexata, mas poderosa.

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

XGBoostRegressor: Extreme Gradient Boosting Regressor é um modelo de aprendizado de máquina supervisionado usando um conjunto de alunos básicos.