Selección de algoritmos para Predicciones avanzadas en Planning

Seleccione los algoritmos que se van a utilizar para la predicción avanzada en Planning.

Para definir el algoritmo que se va a usar para la predicción avanzada:

1. En la sección Seleccionar algoritmos, seleccione el algoritmo que desea utilizar:

   • Oracle AutoMLx: un conjunto propietario de diez algoritmos (incluidos tanto univariados como multivariantes); selecciona automáticamente el mejor modelo para la medida de error determinada. Ejecuta todos estos algoritmos y selecciona la mejor opción con los mejores resultados para usted.

     • Ejecuta varios modelos estadísticos y algoritmos de machine learning en los datos.
     • Ajusta y valida los modelos.
     • Busca el mejor modelo para sus datos.
     • Adapta sus datos al mejor modelo.

   • Light GBM: Light Gradient Boosting, un algoritmo de velocidad eficiente basado en árboles y conjuntos adecuado para conjuntos de datos más grandes. Se adapta mejor a los conjuntos de datos en los que el tiempo tiene menos peso en comparación con otras funciones.

   • XGBoost: Extreme Gradient Boosting, un algoritmo basado en conjuntos y árboles, más adecuado para conjuntos de datos donde el tiempo tiene menos peso en comparación con otras funciones.

   • Prophet: algoritmo de serie de tiempo más adecuado para datos con fuertes efectos estacionales y varias temporadas de datos históricos.

   • SARIMAX: Arima con algoritmos exógenos.

   Note:

   En los dominios de OCI OC2, OC3 y OC4 de Cloud EPM, solo están soportados los algoritmos SARIMAX y Prophet.
2. Seleccione las métricas de error de previsión que desea utilizar para el algoritmo seleccionado a fin de definir cómo debe seleccionar el algoritmo el mejor modelo. Optimiza el entrenamiento del modelo en función de la métrica de error seleccionada para determinar la mejor opción que se puede utilizar para la predicción. El motor de ML aprende los patrones de los datos y busca la mejor opción para minimizar los errores en la medida de lo posible. El motor de ML evalúa cada iteración con respecto a la métrica de error que seleccione y selecciona la iteración cuando la métrica de error es la más baja.
   • sMAPE: error porcentual absoluto medio simétrico
   • EPAM: error porcentual absoluto medio
   • RMSE: error de raíz cuadrada media

   Utilizando la medida de error elegida, Predicciones avanzadas:

   • Selecciona el modelo con el menor error como el mejor modelo.
   • Para el mejor modelo:
     • Genera series ajustadas correspondientes a la serie de entrada.
     • Genera una previsión para el horizonte.