Prognosen

Überblick

Identifizierte Sprachinkongruenz und vorbereitete englische Überarbeitung

Das Prognosemodul von SKOOR bietet ML-basierte Vorhersagen zukünftiger Trends anhand von Zeitreihendaten. Es stehen vier Modelle zur Verfügung:

Prophet (siehe offizielle Dokumentation hier)
SARIMAX (siehe offizielle Dokumentation hier)
Lineare Regression (siehe offizielle Dokumentation hier)
XGBoost (siehe offizielle Dokumentation hier)

Alle Modelle unterstützen zeitindexierte Reihen, die direkt aus einer SKOOR-Datenquelle oder einer DataQuery stammen.

Prognoseseite

Die Prognoseseite ist in zwei Abschnitte unterteilt.

Allgemeine Seite

Dieser Abschnitt enthält die Einstellungen für die Prognosen.

Auf der linken Seite:

Einstellung	Beschreibung
Name	Name der Prognosekonfiguration.
Beschreibung	Beschreibung der Prognosekonfiguration.
Zeitraum	Der Prognosezeitraum legt fest, wie weit in die Zukunft ein Modell Vorhersagen generiert. Ändern Sie die Einheit des Zeitraums in der Datendefinitionskonfiguration.
Zeitplan aktivieren	Prognose-Zeitplan zur Automatisierung der Prognosen.
Ausgewähltes Modell	Das ausgewählte Modell kann in der Konfiguration des Prognosemodells geändert werden.
Prognosemodell konfigurieren	Wählen Sie das Modell für die Prognose aus.
Datendefinition konfigurieren	Wählen Sie die Daten für die Prognose aus.
Tabellenauswahl kopieren	Schaltfläche zum Kopieren der Tabelle, die die Prognose enthält.
Prognose ausführen	Führt eine Prognose mit den konfigurierten Einstellungen aus. Status und Fortschritt sind auf der Ausführungsseite einsehbar.
Speichern	Speichert die Prognosekonfiguration. Wenn die Option „Hyperparameter-Suche“ im Modellkonfigurator aktiviert ist, wird beim Speichern automatisch ein Prognose-Lauf ausgelöst.

Auf der rechten Seite befindet sich die Übersicht über die Prognosedaten in einer Tabelle. Sie wird nur angezeigt, wenn bereits eine Prognose vorliegt.

Ausführungsseite

Dieser Bereich dient zur Ausführung und Überwachung der Prognose-Läufe. Er bietet Zugriff auf den Verlauf und ermöglicht Einblicke.

Eine Prognose kann durch Klicken auf die Schaltfläche „Prognose ausführen“ gestartet werden. Der gesamte Verlauf der Läufe kann durch Klicken auf die Schaltfläche „Auftragsverlauf löschen“ gelöscht werden. Beachten Sie, dass alle durch die Prognosen erstellten Tabellen gelöscht werden und Sie die Prognose erneut ausführen müssen, um sie wieder zu erhalten. Wenn ein Auftrag noch läuft, kann er durch Klicken auf das rote X rechts neben dem angezeigten Status abgebrochen werden.

Wenn Sie auf einen Job klicken, werden die Konsolenausgabe, der Fortschritt, der Status und weitere Informationen angezeigt. In der Konsolenausgabe werden alle Gruppen und deren Genauigkeit ausgegeben. Die angezeigte Genauigkeit wird mit WAPE (Weighted Absolute Percentage Error) gemessen, in Prozent angegeben und anhand der Modellleistung auf den historischen Daten berechnet.

Erstellen einer Vorhersage

Eine Prognosekonfiguration kann entweder durch Klicken auf die Plus-Schaltfläche auf der linken Seite und Eingabe eines Namens oder durch Importieren einer Prognose im JSON-Format erstellt werden. Wenn eine Prognosekonfiguration erstellt wurde, müssen auf der Seite „Allgemein“ einige Einstellungen vorgenommen werden.

Modellkonfiguration

Durch Klicken auf die Schaltfläche „Prognosemodell konfigurieren“ öffnet sich ein Dialogfeld, in dem das Modell ausgewählt werden kann. Derzeit stehen 4 verschiedene Modelloptionen zur Verfügung, die unten aufgeführt sind. Einige der Modelle verfügen über eine Schaltfläche zur Hyperparameter-Optimierung, mit der das Modell verschiedene Kombinationen von Hyperparametern testen kann, um die beste zu finden. Verschiedene Hyperparameter, die eingestellt werden können, sind unterhalb des Modells aufgelistet. Wenn die Hyperparameter-Suche bereits ausgelöst wurde, können Sie die Hyperparameter anzeigen und kopieren, indem Sie auf die Schaltfläche „Optimierte Hyperparameter anzeigen“ klicken.

Wenn Sie die Einstellung der Hyperparameter abgeschlossen haben, klicken Sie auf „Speichern“, um die Modellkonfiguration zu speichern, oder auf „Abbrechen“, um die Änderungen rückgängig zu machen.

Einstellung	Beschreibung
Prognosemodell	Für die Prognose zu verwendendes Modell: Prophet: Ein auf maschinellem Lernen basierendes Open-Source-Tool, das von Meta (ehemals Facebook) für die Prognose von Zeitreihendaten entwickelt wurde. (Siehe offizielle Dokumentation hier) SARIMAX (Seasonal Autoregressive Integrated Moving Average with Exogenous Regressors): Ein statistisches Modell, das verwendet wird, um zukünftige Werte auf der Grundlage vergangener Daten vorherzusagen. (Siehe offizielle Dokumentation hier) Lineare Regression: Wird verwendet, um Trends zu prognostizieren, indem lediglich eine Gerade an die Trainingsdaten angepasst und diese Linie in die Zukunft verlängert wird. (Siehe offizielle Dokumentation hier) XGBoost: Ein Modell, das Gradienten-boostete Entscheidungsbäume für direkte mehrstufige Prognosen verwendet. (Siehe offizielle Dokumentation hier)
Hyperparameter-Optimierung	Wenn diese Option aktiviert ist, sucht das System automatisch nach optimalen Hyperparametern, indem es verschiedene Einstellungen testet. Dies verlängert die Trainingszeit, verbessert jedoch die Genauigkeit.
Optimierte Hyperparameter anzeigen	Öffnet ein Dialogfeld, in dem die optimalen Hyperparameter pro Gruppe oder Diskriminator angezeigt werden, die bei der Hyperparameter-Suche gefunden wurden.

Einstellung

Beschreibung

Prognosemodell

Für die Prognose zu verwendendes Modell:

Prophet:
Ein auf maschinellem Lernen basierendes Open-Source-Tool, das von Meta (ehemals Facebook) für die Prognose von Zeitreihendaten entwickelt wurde.
(Siehe offizielle Dokumentation hier)
SARIMAX (Seasonal Autoregressive Integrated Moving Average with Exogenous Regressors):
Ein statistisches Modell, das verwendet wird, um zukünftige Werte auf der Grundlage vergangener Daten vorherzusagen.
(Siehe offizielle Dokumentation hier)
Lineare Regression:
Wird verwendet, um Trends zu prognostizieren, indem lediglich eine Gerade an die Trainingsdaten angepasst und diese Linie in die Zukunft verlängert wird.
(Siehe offizielle Dokumentation hier)
XGBoost:
Ein Modell, das Gradienten-boostete Entscheidungsbäume für direkte mehrstufige Prognosen verwendet.
(Siehe offizielle Dokumentation hier)

Hyperparameter-Optimierung

Wenn diese Option aktiviert ist, sucht das System automatisch nach optimalen Hyperparametern, indem es verschiedene Einstellungen testet. Dies verlängert die Trainingszeit, verbessert jedoch die Genauigkeit.

Optimierte Hyperparameter anzeigen

Öffnet ein Dialogfeld, in dem die optimalen Hyperparameter pro Gruppe oder Diskriminator angezeigt werden, die bei der Hyperparameter-Suche gefunden wurden.

Die Hyperparameter-Optimierung wird derzeit in Prophet und XGBoost unterstützt.

Folgende Modelle stehen zur Auswahl:

Prophet

Prophet ist ein auf maschinellem Lernen basierendes Open-Source-Tool, das von Meta (ehemals Facebook) für die Prognose von Zeitreihendaten entwickelt wurde. Es ist robust gegenüber fehlenden Daten und Trendverschiebungen und eignet sich besonders gut für die Prognose von Zeitreihen mit starker Saisonalität. Prophet kann Feiertagseffekte automatisch berücksichtigen und ermöglicht es dem Benutzer, eigene Hyperparameter festzulegen, um die Genauigkeit noch weiter zu steigern.
Prophet ist die am häufigsten verwendete der verfügbaren Optionen, da das Training nur mäßig viel Zeit in Anspruch nimmt, das Modell jedoch durchweg die besten Ergebnisse liefert, was es in den meisten Szenarien zur kostengünstigsten Wahl macht. Prophet zeichnet sich besonders aus, wenn Daten aus mehreren Saisonen vorliegen, in denen wiederkehrende saisonale Effekte, Feiertagseffekte oder unregelmäßige Trendverschiebungen auftreten.
Bei Auswahl zeigt das Prophet-Modell auch Konfidenzintervalle an, die die Sicherheit des Modells bei seinen Vorhersagen angeben. Bei der Visualisierung auf dem Dashboard wird das Konfidenzintervall in einer helleren Farbe um die Prognose herum dargestellt.

Die folgenden Variablen können konfiguriert werden:

Einstellung	Beschreibung
seasonality_mode	Legt fest, ob saisonale Effekte zum Trend addiert oder mit diesem multipliziert werden. Standard: „`additive`“. Trainierbar.
yearly_seasonality	Aktiviert, deaktiviert oder erkennt automatisch die Anpassung eines jährlichen saisonalen Musters. Standard: `auto`
weekly_seasonality	Aktiviert, deaktiviert oder erkennt automatisch die Anpassung eines wöchentlichen saisonalen Musters. Standard: `auto`
daily_seasonality	Aktiviert, deaktiviert oder erkennt automatisch die Anpassung eines täglichen saisonalen Musters. Standard: `auto`
interval_width	Breite des Unsicherheitsintervalls, das mit jeder Prognose zurückgegeben wird. Standard: `0.8`, Bereich: 0,1–1,0.
mcmc_samples	Anzahl der MCMC-Stichproben für die vollständige Bayes'sche Inferenz; bei 0 wird stattdessen die MAP-Schätzung verwendet. Standard: `0`
changepoint_prior_scale	Steuert die Trendflexibilität an Wendepunkten; höhere Werte ermöglichen aggressivere Trendwechsel. Standard: `0.05`, Bereich: 0,001–0,2. Trainierbar.
seasonality_prior_scale	Regularisierungsstärke für saisonale Komponenten; höhere Werte ermöglichen größere saisonale Schwankungen. Standard: `10.0`, Bereich: 0,0–20,0. Trainierbar.
holidays_prior_scale	Steuert das Ausmaß der Feiertagseffekte auf die Prognose. Standard: `10.0`, Min: 0,0.
changepoint_range	Anteil der Trainingshistorie, in dem Trendwechselpunkte auftreten dürfen. Standard: `0.8`, Bereich: 0,0–0,95. Trainierbar.
n_changepoints	Anzahl potenzieller Trendwechselpunkte, die automatisch in den Trainingszeitraum eingefügt werden. Standard: `25`, Bereich: 0–100. Trainierbar.
uncertainty_samples	Anzahl der posterioren Ziehungen, die zur Schätzung der Prognoseunsicherheitsintervalle verwendet werden. Standard: `1000`, Min: 0.

SARIMAX

SARIMAX (Seasonal Autoregressive Integrated Moving Average with Exogenous Regressors) ist ein statistisches Modell, das verwendet wird, um zukünftige Werte auf der Grundlage vergangener Daten vorherzusagen. Es berücksichtigt sowohl Trends als auch saisonale Muster. Es ist die Erweiterung des ARIMA-Modells durch Hinzufügen saisonaler Komponenten.
SARIMAX eignet sich besonders, wenn die Daten stabil und konsistent generiert werden und ein statistisches Modell einem Modell des maschinellen Lernens vorzuziehen ist.

Im SARIMAX-Modell gibt es keine Variablen, die vom Benutzer angepasst werden können.

Lineare Regression

Die lineare Regression wird verwendet, um Trends zu prognostizieren, indem eine Gerade an die Trainingsdaten angepasst und diese Linie in die Zukunft fortgeführt wird. Sie ist ein leistungsstarkes Werkzeug zur Vorhersage zukünftiger Trends in beliebigen Zeitreihendaten.
Die lineare Regression eignet sich am besten, wenn die zugrunde liegenden Daten einen klaren, konsistenten linearen Trend mit minimaler Saisonalität oder minimalem Rauschen aufweisen.

Im linearen Regressionsmodell gibt es keine Variablen, die vom Benutzer angepasst werden können.

XGBoost

Das XGBoost-Modell verwendet gradient-boosted Entscheidungsbäume für direkte mehrstufige Prognosen. Vor dem Training wendet es umfangreiches Feature Engineering auf die Eingabezeitreihen an, extrahiert Verzögerungsmerkmale, rollierende Statistiken und kalenderbasierte Merkmale und prognostiziert dann jeden zukünftigen Punkt unabhängig.
XGBoost eignet sich am besten für komplexe, nichtlineare Daten. Es kann eine gute Genauigkeit erreichen, benötigt jedoch Zeit für das Training, und in einigen Fällen müssen die Daten zuvor separat vorverarbeitet werden.

Die folgenden Variablen können konfiguriert werden:

Einstellung	Beschreibung
Ziel	Während des Trainings verwendete Verlustfunktion; bestimmt, welche Fehlermetrik das Modell optimiert. Standard: `reg:squarederror`. Trainierbar.
quantile_alpha	Zielquantilniveau bei Verwendung der Quantilregression als Zielfunktion. Standard: `0.5`, Bereich: 0,0 – 1,0. Trainierbar.
n_estimators	Anzahl der zu erstellenden Boosting-Bäume; mehr Bäume erhöhen die Kapazität, bergen jedoch das Risiko einer Überanpassung. Standard: `100`, Bereich: 5 – 2000. Trainierbar.
learning_rate	Schrittweite der Schrumpfung, die nach jedem Baum angewendet wird, um Überanpassung zu verhindern. Standard: `0.01`, Bereich: 1e-6 – 0,5. Trainierbar.
max_depth	Maximale Tiefe jedes Baums; steuert die Modellkomplexität und die Interaktionsordnung. Standard: `6`, Bereich: 3–20. Trainierbar.
min_child_weight	Minimale Summe der Instanzgewichte, die zum Erstellen eines Blattknotens erforderlich ist. Standard: `1`, Bereich: 1–10. Trainierbar.
gamma	Minimale Verlustreduktion, die erforderlich ist, um einen Knoten zu teilen; höhere Werte machen das Modell konservativer. Standard: `0.0`, Bereich: 0,0–5,0. Trainierbar.
subsample	Anteil der pro Baum ausgewählten Trainingszeilen, der zur Verringerung des Überanpassens verwendet wird. Standard: `0.8`, Bereich: 0,5–1,0. Trainierbar.
colsample_bytree	Anteil der Merkmale, die beim Aufbau jedes Baums zufällig ausgewählt werden. Standard: `1.0`, Bereich: 0,5–1,0. Trainierbar.
reg_alpha	L1-Regularisierungsterm für Blattgewichte; fördert spärliche Lösungen. Standard: `0.0`, Bereich: 1e-6–10,0. Trainierbar.
reg_lambda	L2-Regularisierungsterm für Blattgewichte; bestraft große Gewichtswerte. Standard: `1.0`, Bereich: 1e-6–10,0. Trainierbar.

Datenquelle

Im Fenster „Datenquelle konfigurieren“ können Sie die Daten angeben, die zum Trainieren des Modells verwendet werden sollen.

Die Datenquelle kann auf der linken Seite ausgewählt werden. Es gibt zwei Arten von Datenquellen: eine Datenquelle aus Ihrer SKOOR-Datenbank oder eine Datenabfrage über die Registerkarte „Data Query“. Bei der Auswahl der Datenquelle sind weitere Angaben erforderlich, die im Fenster festgelegt werden können, wie z. B. die Datenquelle, die Tabelle und die Spalten. Bei Auswahl der Option „Data Query“ müssen die Datenabfrage sowie die Spalten aus dieser Datenabfrage festgelegt werden.

Wert-, Datumsstempel- und Diskriminatorspalten können durch Klicken auf das Dropdown-Menü ausgewählt werden. Das Dropdown-Menü zeigt automatisch Spalten an, die die Anforderungen erfüllen. Folgende Spalten müssen ausgewählt werden:

Einstellung	Beschreibung
Wertespalte	Muss numerische Werte enthalten, die jedem Zeitstempel zugeordnet sind.
Datumsstempel-Spalte	Die Daten müssen das Datumsformat JJJJ-MM-TT HH:mm verwenden, und jede Datengruppe muss über eindeutige Zeitstempel pro Gruppe verfügen (Gruppen, die durch Unterscheidungsspalten oder die inhärente Datenstruktur definiert sind).
Diskriminatorspalten	Optionale Spalten zur Definition von Gruppierungen und Hierarchien (z. B. Land → Bundesland → Stadt). Es gibt keine strengen Datenanforderungen, aber die Reihenfolge der Spalten ist wichtig, da jede Ebene die Gruppierung weiter verfeinert.

Auf der rechten Seite des Datenfensters können weitere Datenvorbereitungsoptionen ausgewählt werden.

Einstellung	Beschreibung
Frequenz	Legt die Ausgabeauflösung der Prognose fest. Weitere Informationen.
Interpolationstyp	Legt fest, wie fehlende Zeitstempel ergänzt werden. Weitere Informationen.
Aggregationstyp	Steuert, wie mehrere Werte innerhalb eines Zeitraums kombiniert werden. Weitere Informationen.
Zeitzone	Setzt den Zeitstempel in der angegebenen Zeitzone zurück.

Häufigkeit

Die Häufigkeit bestimmt die Ausgabe der Prognose. Folgende Häufigkeiten stehen zur Auswahl:

Einstellung	Beschreibung
SEKUNDENWEISE	Prognoseausgabe mit einer Auflösung von einer Sekunde.
MINUTELY	Prognoseausgabe mit einer Auflösung von einer Minute.
STÜNDLICH	Prognoseausgabe mit stündlicher Auflösung.
TÄGLICH	Prognoseausgabe mit täglicher Auflösung.
WÖCHENTLICH_SONNTAG	Prognoseausgabe mit wöchentlicher Auflösung, die Woche beginnt am Sonntag.
WÖCHENTLICH_MON	Prognoseausgabe mit wöchentlicher Auflösung, die Woche beginnt am Montag.
WEEKLY_TUE	Prognoseausgabe mit wöchentlicher Auflösung, die Woche beginnt am Dienstag.
WEEKLY_WED	Prognoseausgabe mit wöchentlicher Auflösung, die Woche beginnt am Mittwoch.
WEEKLY_THU	Prognoseausgabe mit wöchentlicher Auflösung, die Woche beginnt am Donnerstag.
WEEKLY_FRI	Prognoseausgabe mit wöchentlicher Auflösung, die Woche beginnt am Freitag.
WEEKLY_SAT	Prognoseausgabe mit wöchentlicher Auflösung, die Woche beginnt am Samstag.
MONTHLY_END	Prognoseausgabe mit monatlicher Auflösung, bezogen auf den letzten Tag des Monats.
MONTHLY_START	Prognoseausgabe mit monatlicher Auflösung, bezogen auf den ersten Tag des Monats.
QUARTERLY_END	Prognoseausgabe mit vierteljährlicher Auflösung, bezogen auf den letzten Tag des Quartals.
QUARTERLY_START	Prognoseausgabe mit vierteljährlicher Auflösung, bezogen auf den ersten Tag des Quartals.
YEARLY_END	Prognoseausgabe mit jährlicher Auflösung, bezogen auf den letzten Tag des Jahres.
YEARLY_START	Prognoseausgabe mit jährlicher Auflösung, bezogen auf den ersten Tag des Jahres.

Intern wird die bereitgestellte Datenreihe unter Verwendung des Interpolationstyps und/oder des Aggregationstyps auf die festgelegte Frequenz interpoliert oder aggregiert. Beachten Sie, dass, wenn Ihre Daten fehlende Datumsstempel enthalten oder zu viele für die Frequenz aufweisen, die ausgewählte Interpolation und/oder Aggregation automatisch angewendet wird, um eine reibungslose Prognose zu gewährleisten.

Interpolationstypen:

Einstellung	Beschreibung
Keine	Es wird keine Interpolation angewendet, die Daten werden unverändert verarbeitet.
Linear	Füllt Lücken, indem eine gerade Linie zwischen bekannten Werten gezogen wird.
Erste	Füllt Lücken vorwärts unter Verwendung des letzten bekannten Werts (Vorwärtsfüllung).
Letzter	Füllt Lücken rückwärts unter Verwendung des nächsten bekannten Werts (rückwärts füllen).
Spline	Füllt Lücken mit einer glatten kubischen Kurve, die an die bekannten Werte angepasst wird.

Aggregationstypen:

Einstellung	Beschreibung
Keine	Es wird keine Aggregation angewendet, die Daten werden unverändert verarbeitet.
Summe	Addiert alle Werte innerhalb jedes Zeitraums.
Durchschnitt	Berechnet den Mittelwert aller Werte innerhalb jedes Zeitraums.
Median	Gibt den Mittelwert aller Werte innerhalb jedes Zeitraums zurück.
Anzahl	Zählt die Anzahl der Nicht-Null-Werte innerhalb jedes Zeitraums.
Min	Gibt den kleinsten Wert innerhalb jedes Zeitraums zurück.
Max	Gibt den größten Wert innerhalb jedes Zeitraums zurück.
Erster	Gibt den ersten Wert innerhalb jedes Zeitraums zurück.
Last	Gibt den letzten Wert innerhalb jedes Zeitraums zurück.
STD	Berechnet die Standardabweichung aller Werte innerhalb jedes Zeitraums.

Zeitzone

Intern werden alle Zeitstempel auf die vom Benutzer festgelegte Zeitzone zurückgesetzt.

Berechtigungen

Schreibgeschützt

Prognoseergebnisse lesen
Prognosekonfigurationen nach Wertdefinition suchen

Editor

Alles, was „Nur-Lesen“ kann
Alle Prognosekonfigurationen auflisten (nur einfache Ansicht)

Dateneditor

Alles, was der Editor kann
Volle Rechte (Erstellen, Lesen, Aktualisieren, Löschen) für Prognosekonfigurationen und Gruppen
Prognoseaufträge starten, anzeigen und abbrechen
Konfigurationen exportieren/importieren

Admin

Alles, was der Dataeditor kann
Auftragsverlauf löschen

Anzeigen der Prognose auf einem Dashboard

Verwendung des Standard-Prognose-Widgets

SKOOR ermöglicht einen einfachen Zugriff auf die Prognose durch die Einführung einer Schaltfläche im Diagramm-Widget. Erstellen Sie einfach ein Diagramm-Widget auf dem Dashboard, stellen Sie den Diagrammtyp auf „Gemischt“ ein und konfigurieren Sie dieselben Datendefinitionen wie in der Prognosekonfiguration. Nachdem Sie die Datenquelle eingerichtet haben, klicken Sie entweder im Widget-Bearbeitungsdialog unten rechts im Abschnitt „Spalten“ auf „Spalten synchronisieren“ oder fügen Sie die Spalten, für die eine Prognose erstellt wurde, manuell hinzu. Klicken Sie dann auf diese Spalten und aktivieren Sie das Kontrollkästchen „Prognose anzeigen“. Wählen Sie die passende Prognosekonfiguration aus der Dropdown-Liste aus und klicken Sie auf „Übernehmen“. Nun sollte die Vorschau bereits die historischen Daten mit der entsprechenden Prognose anzeigen.

Verwendung einer benutzerdefinierten Datenabfrage

Die Tabelle mit den Prognoseergebnissen kann durch einfaches Klicken auf die Schaltfläche „Tabelle kopieren“ auf der Seite „Allgemein“ der Prognosekonfiguration in die Zwischenablage kopiert werden. Mit dieser Tabelle können Sie auf die Prognosedaten zugreifen und Ihre eigene Datenabfrage erstellen, z. B. im SKOOR Studio. Beachten Sie, dass es Unterschiede in den Tabellenspalten gibt, wie beschrieben:

Prophet
- Wertespalte (Trägt denselben Namen wie die Eingabewertespalte.)
- Datumsstempel-Spalte (Trägt denselben Namen wie die Eingabe-Datumsstempel-Spalte.)
- Spalte „Unterer Konfidenzwert“ (Trägt denselben Namen wie die Eingabespalte für den Wert, endet jedoch mit „_lower“.)
- Obere Konfidenz (Trägt denselben Namen wie die Eingabewert-Spalte, endet jedoch mit „_upper“.
- Genauigkeit
- Diskriminatorspalten (Anzahl der Spalten entspricht der Anzahl der angegebenen Diskriminatorspalten. Benannt wie die Eingabespalten für die Diskriminatoren.)
Lineare Regression
- Wertespalte (Trägt denselben Namen wie die Eingabewertespalte.)
- Datumsstempelspalte (Namenidentisch mit der Eingabespalte für den Datumsstempel.)
- Genauigkeit
- Diskriminatorspalten (Anzahl der Spalten entspricht der Anzahl der angegebenen Diskriminatorspalten. Namen entsprechen denen der Eingabediskriminatorspalten.)
SARIMAX
- Wertespalte (Trägt denselben Namen wie die Eingabewertespalte.)
- Datumsstempel-Spalte (Trägt denselben Namen wie die Eingabe-Datumsstempel-Spalte.)
- Genauigkeit
- Diskriminatorspalten (Anzahl der Spalten entspricht der Anzahl der angegebenen Diskriminatorspalten. Namen entsprechen denen der Eingabe-Diskriminatorspalten.)
XGBoost
- Wertspalte (Trägt denselben Namen wie die Eingabewertspalte.)
- Datumsstempel-Spalte (Trägt denselben Namen wie die Eingabe-Datumsstempel-Spalte.)
- Genauigkeit
- Diskriminatorspalten (Anzahl der Spalten entspricht der Anzahl der angegebenen Diskriminatorspalten. Namen entsprechen denen der Eingabe-Diskriminatorspalten.)