Sélection d'algorithmes pour les prévisions avancées dans Planning

Sélectionnez les algorithmes à utiliser pour la prévision avancée dans Planning.

Afin de définir l'algorithme à utiliser pour la prévision avancée, procédez comme suit :

1. Dans la section Sélectionner des algorithmes, sélectionnez l'algorithme à utiliser :

   • Oracle AutoMLx : suite propriétaire de dix algorithmes (à une variable et multivariables) qui sélectionne automatiquement le meilleur modèle pour la mesure d'erreur concernée. Exécute tous ces algorithmes et sélectionne l'option avec les meilleurs résultats pour vous.

     • Exécute divers modèles statistiques et algorithmes d'apprentissage sur vos données.
     • Ajuste et valide les modèles.
     • Trouve le meilleur modèle pour vos données.
     • Adapte vos données au meilleur modèle.

   • LightGBM (Light Gradient-Boosting Machine) : algorithme d'optimisation de la vitesse ensembliste basé sur un arbre de décision, adapté aux ensembles de données plus volumineux. Idéal pour les ensembles de données pour lesquels le temps a moins d'impact que d'autres caractéristiques.

   • XGBoost (Extreme Gradient Boosting) : algorithme ensembliste basé sur un arbre de décision, idéal pour les ensembles de données pour lesquels le temps a moins d'impact que d'autres caractéristiques.

   • Prophet : algorithme de série chronologique idéal pour les données avec de forts effets saisonniers et plusieurs saisons de données historiques.

   • SARIMAX : ARIMA avec des algorithmes exogènes.

   Note:

   Dans les domaines de sécurité OCI Cloud EPM OC2, OC3 et OC4, seuls les algorithmes SARIMAX et Prophet sont pris en charge.
2. Sélectionnez la métrique d'erreur de prévision à utiliser pour l'algorithme sélectionné afin de définir la façon dont l'algorithme doit sélectionner le meilleur modèle. L'entraînement du modèle est optimisé en fonction de la métrique d'erreur sélectionnée afin de déterminer la meilleure option à utiliser pour la prévision. Le moteur d'apprentissage automatique apprend les motifs des données et recherche la meilleure option pour minimiser les erreurs dans la mesure du possible. Le moteur d'apprentissage automatique évalue chaque itération par rapport à la métrique d'erreur choisie et sélectionne l'itération pour laquelle la métrique d'erreur est la plus faible.
   • sMAPE : erreur moyenne absolue symétrique en pourcentage
   • MAPE : erreur moyenne absolue en pourcentage
   • RMSE : erreur quadratique moyenne

   Selon la mesure d'erreur que vous avez choisie, les prévisions avancées effectuent les actions suivantes :

   • Choisir le modèle avec la plus faible erreur comme meilleur modèle
   • Pour le meilleur modèle :
     • Générer une série ajustée correspondant à la série d'entrée
     • Générer une prévision pour l'horizon