Selezionare gli algoritmi da utilizzare per la previsione avanzata.
Per definire gli algoritmi da utilizzare per la previsione avanzata, procedere come segue.
- Nella sezione Seleziona algoritmi, selezionare l'algoritmo da utilizzare.
-
Oracle AutoMLx: suite proprietaria di dieci algoritmi (sia univariati che multivariati) che seleziona automaticamente il modello migliore per la misura di errore specificata. Esegue tutti questi algoritmi e seleziona l'opzione migliore con i risultati migliori per l'utente.
- Esegue vari modelli statistici e algoritmi di apprendimento automatico sui dati.
- Ottimizza e convalida i modelli.
- Trova il modello migliore per i dati dell'utente.
- Adatta i dati dell'utente al modello migliore.
-
LightGBM: (Light Gradient Boosting Machine), algoritmo efficiente in termini di velocità basato su insiemi e alberi, adatto per set di dati più grandi. Ideale per set di dati in cui il tempo ha meno peso rispetto ad altri elementi.
-
XGBoost: (Extreme Gradient Boosting), algoritmo basato su insiemi e alberi, ideale per set di dati in cui il tempo ha meno peso rispetto ad altri elementi.
-
Prophet: algoritmo delle serie temporali ideale per i dati con forti effetti stagionali e diverse stagioni di dati cronologici.
-
SARIMAX: Arima con algoritmi eterogenei.
- Da Metrica errore previsione selezionare la metrica da utilizzare per l'algoritmo selezionato per definire il modo in cui l'algoritmo deve selezionare il modello migliore. Ottimizza l'addestramento del modello in base alla metrica di errore selezionata per determinare l'opzione migliore da utilizzare per la previsione. Il motore di apprendimento automatico apprende i pattern dai dati e cerca l'opzione migliore per ridurre al minimo gli errori per quanto possibile. Il motore di apprendimento automatico valuta ogni iterazione rispetto alla metrica di errore selezionata e seleziona l'iterazione quando la metrica di errore è la più bassa.
- sMAPE: (Symmetric Mean Absolute Percentage Error), errore medio assoluto percentuale simmetrico.
- MAPE: (Mean Absolute Percentage Error), errore medio assoluto percentuale.
- RMSE: (Root Mean Squared Error), radice dell'errore quadratico medio.
Utilizzando la misura di errore scelta, la funzionalità Previsioni avanzate:
- Sceglie il modello con l'errore minore come modello migliore.
- Per il modello migliore:
- Genera serie adattate corrispondenti alle serie di input.
- Genera la previsione per l'orizzonte.