Konzept: Der AutoAnpassungs-Algorithmus
Warum AutoAnpassen verwenden?
Es kann schwierig sein, den am besten geeigneten Algorithmus für die Prognose einer bestimmten Zeitreihe auszuwählen. In der Regel führen Benutzer mit jedem der Algorithmen einen Trial-and-Error-Prozess aus. Anschließend vergleichen sie die Prognoseergebnisse mit ihren entsprechenden Fehlern und wählen das Ergebnis mit den wenigsten Ungenauigkeiten aus.
AutoAnpassen
sagt voraus, welcher Algorithmus für eine neue Zeitreihe verwendet werden soll, ohne dass Sie einen Prozess mit Trial-and-Error durchführen müssen. AutoAnpassung-Prozess
Im Gegensatz zu den anderen verfügbaren Algorithmen verwendet
AutoAnpassen
ein Klassifizierungsmodell. Das Klassifizierungsmodell nutzt ein Meta-Learning-Framework, um den zu verwendenden Algorithmus basierend auf den Features der Zeitreihendaten zu identifizieren. Sie verwendet ein Modell, das auf mehreren Tausend Zeitreihendaten trainiert wurde. Sobald der Klassifikator die Features der Zeitreihe identifiziert hat, wählt er einen geeigneten Algorithmus aus und wendet ihn an.
AutoAnpassen
betrachtet jeden Datenschnittpunkt als Zeitreihe. Daher kann jedes Konto im Tabellenblatt unterschiedliche Features haben. In diesem Fall wendet AutoAnpassen
einen Algorithmus für jedes Konto an. AutoAnpassen
wählt nur die für Prädiktive Prognosefunktion
verfügbaren Algorithmen aus. Beispiel: Wenn Ihre Daten eine Sparsität von 80 % haben, wählt „AutoAnpassen“
in der Regel den Croston
-Algorithmus.