# Общее представление об алгоритмах модели Алгоритм — это математический инструмент, с помощью которого создается модель. Он берет входные данные (ваш набор данных) и возвращает выходные данные — модель. Каждый алгоритм имеет свои преимущества и недостатки. При выборе цели Qlik Predict автоматически выбирает оптимальные алгоритмы для конкретного сценария использования. Цель определяет, какие алгоритмы будут использоваться. Алгоритмы, которые лучше всего подходят для решения задач двоичной и многоклассовой классификации, используются в следующих случаях. * Цель имеет только два уникальных значения, например, при прогнозировании, отменит ли клиент свою подписку, это значения «Да» или «Нет». * Целью является строковое значение, содержащее от трех до десяти уникальных значений. К примеру, определение оптимального сочетания кампаний, когда цель — одно из следующих значений: «Красный», «Синий», «Зеленый» или «Желтый». Если целью является столбец с числовыми значениями, используются алгоритмы, которые лучше всего подходят для решения задач регрессии. Примером задачи регрессии является прогнозирование того, сколько клиент купит. ## Алгоритмы для решения задач двоичной и многоклассовой классификации Qlik Predict использует перечисленные ниже алгоритмы для решения задач двоичной и многоклассовой классификации. * Классификация методом CatBoost * Регрессия методом эластичной сети * Упрощенный Гауссовский алгоритм Байеса * Регрессия методом лассо * Классификация методом LightGBM * Логистическая регрессия * Классификация методом случайного леса * Классификация методом CatBoost ## Алгоритмы для решения задач регрессии Qlik Predict использует следующие алгоритмы для решения задач регрессии. * Регрессия методом CatBoost * Регрессия методом LightGBM * Линейная регрессия * Регрессия методом случайного леса * Регрессия методом SGD * Регрессия методом XGBoost ## Алгоритмы для задач временных рядов Qlik Predict использует следующие алгоритмы для задач временных рядов: * Алгоритм DeepAR для прогноза временных рядов * Миксер временных рядов * Полносвязный энкодер временных рядов ## Различные типы моделей Типы моделей можно разделить на регрессионные модели, ансамбли, модели временных рядов и другие типы моделей машинного обучения. ### Регрессионные модели Регрессионные модели или общие линейные модели — это модели, которые выявляют тренды вдоль области каждой переменной независимо от другой переменной. Подобно алгебраическому уравнению y = mx+b, алгоритм подбирает такие значения m и b, которые в среднем обеспечат максимальную точность для каждого значения x и y. Как правило, эта же концепция используется при наличии более чем одной переменной. Линейная регрессия и логистическая регрессия являются примерами регрессионных моделей для решения задач регрессии и классификации, соответственно. В задачах классификации результатом регрессионной модели является вероятность того, что образец будет относиться к положительному классу. Это означает, что значение y равно значению вероятности, а не фактическому значению. Регрессии хорошо подходят для выявления линейных трендов в данных, но иногда встречаются зависимости, которые не являются линейными. Чтобы регрессию хорошо подогнать к нелинейной модели, перед обучением модели необходимо преобразовать данные. Преимущество линейных зависимостей заключается в том, что они, как правило, лучше всего подходят для [экстраполяции](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/extrapolation-interpolation.htm). В таблице ниже перечислены преимущества и недостатки регрессионных моделей. | Преимущества | Недостатки | | --- | --- | | | | ### Ансамбли Ансамбли получаются при объединении нескольких моделей. Это можно сравнить с голосованием, в котором принимает участие группа людей разного происхождения, и использованием показателя среднего числа голосов для принятия решения. Примерами ансамблей являются модели случайного леса и XGBoost. Ансамбли могут решать как задачи регрессии, так и задачи классификации. Они хорошо подгоняются к нелинейным моделям и подходят для выявления влияния взаимодействий между переменными на цель. Несмотря на то что ансамбли хорошо подходят для выявления закономерностей в пределах диапазона данных, на основе которых происходит их обучение, они плохо подходят для прогнозирования значений, находящихся за пределами этого диапазона данных. В таблице ниже перечислены преимущества и недостатки ансамблей. | Преимущества | Недостатки | | --- | --- | | | | ### Модели временных рядов Модели временных рядов обучаются с помощью алгоритмов глубокого обучения, использующих ускорение GPU и методы на основе нейронных сетей. Эти модели обучены создавать прогнозы, соответствующие определенным датам и времени. Модели временных рядов поддерживают прогнозы, включающие многомерные целевые переменные, а также статические, прошлые и будущие ковариаты. Модели временных рядов требуют значительных вычислительных ресурсов. ### Другие типы моделей Другие типы моделей включают все остальные типы моделей. Примерами являются модели ближайших соседей и упрощенного гауссовского алгоритма Байеса. Эти типы моделей обычно пытаются создать новое пространственное представление данных, часто это делается путем создания какой-либо метрики расстояния, которая измеряет, насколько различаются две записи. Они хорошо подходят для выявления нелинейных трендов, но при увеличении размера набора данных требуют больших вычислительных мощностей. В таблице ниже перечислены преимущества и недостатки других типов моделей. | Преимущества | Недостатки | | --- | --- | | | |