Algorithmen auswählen

Wählen Sie die Algorithmen für die erweiterte Vorhersage aus.

So definieren Sie den Algorithmus, der für die erweiterte Vorhersage verwendet wird:

1. Wählen Sie im Abschnitt Algorithmen auswählen den zu verwendenden Algorithmus aus:

   • Oracle AutoMLx - Eine Suite mit zehn proprietären Algorithmen (sowohl univariate als auch multivariate). Das beste Modell für die angegebene Fehlerkennzahl wird automatisch ausgewählt. Führt alle diese Algorithmen aus und wählt die beste Option mit den besten Ergebnissen für Sie aus.

     • Führt verschiedene statistische Modelle und Algorithmen für maschinelles Lernen für Ihre Daten aus.
     • Optimiert und validiert die Modelle.
     • Findet das beste Modell für Ihre Daten.
     • Passt Ihre Daten an das beste Modell an.

   • Light GBM - Light Gradient Boosting, ein auf Ensembles und Bäumen basierender, auf Schnelligkeit ausgelegter Algorithmus, der für größere Datasets geeignet ist. Am besten geeignet für Datasets, bei denen die Zeit im Vergleich zu anderen Funktionen weniger Gewicht hat.

   • XGBoost - Extreme Gradient Boosting, ein auf Ensembles und Bäumen basierender Algorithmus, der sich am besten für Datasets eignet, bei denen die Zeit im Vergleich zu anderen Funktionen weniger Gewicht hat.

   • Prophet - ein Zeitreihenalgorithmus, der sich am besten für Daten mit starken saisonalen Effekten und mehreren historischen Datensaisonen eignet.

   • SARIMAX - Arima mit exogenen Algorithmen.

2. Wählen Sie die Kennzahl für Prognosefehler aus, die für den ausgewählten Algorithmus verwendet werden soll, um zu definieren, wie der Algorithmus das beste Modell auswählen soll. Dadurch wird das Modelltraining basierend auf der ausgewählten Fehlerkennzahl optimiert, um die beste Option für die Vorhersage zu ermitteln. Die ML-Engine lernt die Muster aus den Daten und sucht nach der besten Option, um Fehler so weit wie möglich zu minimieren. Die ML-Engine wertet jede Iteration anhand der ausgewählten Fehlermetrik aus und wählt die Iteration mit der niedrigsten Fehlerkennzahl aus.
   • sMAPE - Symmetric Mean Absolute Percentage Error, symmetrischer mittlerer absoluter prozentualer Fehler
   • MAPE- Mean Absolute Percentage Error, mittlerer absoluter prozentualer Fehler
   • RMSE- Root Mean Squared Error, Wurzel des mittleren quadratischen Fehlers

   Verwendung der Fehlerkennzahl Ihrer Wahl für "Erweiterte Vorhersagen":

   • Wählt das Modell mit dem geringsten Fehler als das beste Modell aus.
   • Für das beste Modell:
     • Generiert angepasste Reihen entsprechend der Eingabereihe.
     • Generiert die Prognose für den Horizont.