Azure-docs: AutoML-Vorhersage: Aufgeteilt nach Modell oder Körnung
Ich werde ein Beispiel aus Ihrer Dokumentation verwenden:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-forecast#preparing -data
Was ist der Unterschied zwischen zwei Modellen pro Geschäft oder einem Modell mit Lagerkorn? Wird die Genauigkeit eines Modells mit Körnern aufgrund einer größeren Datenmenge usw. erhöht?
[Feedback hier eingeben]
Dokumentdetails
⚠ Bearbeiten Sie diesen Abschnitt nicht.
- ID: bf6e8bb8-9f33-6315-dec3-915c82152f4f
- Versionsunabhängige ID: 0d184dff-a615-49e4-089a-8c41a8ff801c
- Inhalt: Trainieren Sie automatisch ein Zeitreihen-Prognosemodell - Azure Machine Learning
- Inhaltsquelle :
- Service: maschinelles Lernen
- Sub-Service: Kern
- GitHub Login: @nibaccam
- Microsoft Alias: Nibaccam
pbartos
>Alle Kommentare
Der Bau eines großen Modells ist oft besser als ein Modell pro Serie, aber nicht immer. Wenn die Serien sehr heterogen sind (unterschiedliche Muster aufweisen, Größenordnungen überspannen), ist es sinnvoll, mehrere Modelle anzupassen. Wenn sie ähnlich sind, ist ein Modell im Allgemeinen gut.
TitusA
am 23. Juli 2020
👍3
War diese Seite hilfreich?
0 / 5 - 0 Bewertungen
Verwandte Themen
Agazoth
·
3Kommentare
mrdfuse
·
3Kommentare
spottedmahn
·
3Kommentare
spottedmahn
·
3Kommentare
JeffLoo-ong
·
3Kommentare
Hilfreichster Kommentar
Der Bau eines großen Modells ist oft besser als ein Modell pro Serie, aber nicht immer. Wenn die Serien sehr heterogen sind (unterschiedliche Muster aufweisen, Größenordnungen überspannen), ist es sinnvoll, mehrere Modelle anzupassen. Wenn sie ähnlich sind, ist ein Modell im Allgemeinen gut.