-
start
-
target
-
dynamic _feat
-
cat
以下是使用这个算法/架构的一些优点:
-
易于建模——在相同的地方构建/训练/部署,速度相当快
-
简单的架构——聚焦于更少的编码,更多地关注您的数据和需要解决的业务问题当然,这个算法还有更多优点,所以我只是简单地介绍了下,因为不是所有的读者都在使用 AWS。
DeepAR Forcasting 算法的文档
PyCaret
因为没有太多的新算法需要讨论,我想包括一种能够比较几种算法的库,其中一些算法可能会更新迭代,所以比较新。这个 Python 库是开源和低代码的,可以被引用。当我开始比较并最终选择我的数据科学模型的最终算法时,它让我更加了解新的和即将流行的机器学习算法。
以下是使用这个
库的一些好处:
-
更少的编码时间——您不需要导入库,也不需要设置每个算法特有的每个预处理步骤,相反,您可以填写一些参数,让您可以将几乎所有您听说过的算法并排进行比较
-
易于使用——随着库的演变,它们的易用性也在不断提高。
-
端到端处理——可以研究从数据转换到预测结果的数据科学问题
-
集成良好——可以 Power BI 中使用 AutoML
-
整合——可以加入不同的算法以获得更多好处