Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Hiperparámetros de DeepAR
En la siguiente tabla se enumeran los hiperparámetros que puede configurar al entrenar con el algoritmo de previsión Amazon SageMaker DeepAR.
| Nombre del parámetro | Descripción |
|---|---|
context_length |
El número de puntos de tiempo que el modelo visualiza antes de realizar la predicción. El valor de este parámetro debe ser sobre el mismo que Obligatorio Valores válidos: número entero positivo |
epochs |
Número máximo de iteraciones en los datos de capacitación. El valor óptimo depende del tamaño de los datos y de la tasa de aprendizaje. Véase también Obligatorio Valores válidos: número entero positivo |
prediction_length |
El número de pasos de tiempo para los que se ha capacitado al modelo para la predicción, también denominado "horizonte de previsión". El modelo de capacitación genera siempre las previsiones con esta longitud. No puede generar previsiones más largas. Obligatorio Valores válidos: número entero positivo |
time_freq |
El grado de detalle de la serie temporal en el conjunto de datos. Utilice
Obligatorio Valores válidos: un número entero seguido de M, W, D, H o min. Por ejemplo, |
cardinality |
Cuando se utilizan características categóricas ( Establezca la cardinalidad en Para realizar la validación de datos adicionales, es posible establecer explícitamente este parámetro en el valor real. Por ejemplo, si se proporcionan dos características categóricas donde la primera tiene dos y la otra tiene 3 valores posibles, defina esto como [2, 3]. Para obtener más información acerca de cómo utilizar características categóricas, consulte la sección de datos en la página de documentación principal de DeepAR. Opcional Valores válidos: Valor predeterminado: |
dropout_rate |
La tasa de abandono que utilizar durante la capacitación. El modelo utiliza regularización de desconexión. Para cada iteración, no se actualiza un subconjunto aleatorio de neuronas ocultas. Los valores típicos son inferiores a 0,2. Opcional Valores válidos: número flotante Valor predeterminado: 0.1 |
early_stopping_patience |
Si se establece este parámetro, se detiene la capacitación cuando no se realiza el progreso en el número especificado de Opcional Valores válidos: número entero |
embedding_dimension |
Tamaño de vector de integración aprendido por característica categórica (se utiliza el mismo valor para todas las características categóricas). El modelo DeepAR puede aprender patrones de series de tiempo de nivel de grupo cuando se proporciona una capacitación de agrupación categórica. Para realizar esto, el modelo aprende un vector de integración de tamaño Opcional Valores válidos: número entero positivo Valor predeterminado: 10 |
learning_rate |
La tasa de aprendizaje utilizada en la capacitación. Los valores típicos están comprometidos entre 1e-4 y 1e-1. Opcional Valores válidos: número flotante Valor predeterminado: 1e-3 |
likelihood |
El modelo genera una previsión de probabilidad y puede proporcionar cuantiles de la distribución y devolver muestras. En función de sus datos, seleccione una probabilidad apropiada (modelo de ruido) que se utilice para estimaciones de incertidumbre. Pueden seleccionarse las siguientes probabilidades:
Opcional Valores válidos: uno de entre los siguientes gaussiano, beta, negativo-binomial, T de Student o L1 determinista. Valor predeterminado: |
mini_batch_size |
El tamaño de los minilotes utilizados durante la capacitación. Los valores típicos están comprendidos entre 32 y 512. Opcional Valores válidos: número entero positivo Valor predeterminado: 128 |
num_cells |
El número de celdas que se van a utilizar en cada capa oculta del. RNN Los valores típicos están comprendidos entre 30 y 100. Opcional Valores válidos: número entero positivo Valor predeterminado: 40 |
num_dynamic_feat |
El número de Para obligar a que DeepAR no utilice características dinámicas, ni tan siquiera si están presentes en los datos, establezca Para realizar la validación de datos adicionales, es posible establecer explícitamente este parámetro en el valor de número entero real. Por ejemplo, si se proporcionan dos características dinámicas, definimos este valor en 2. Opcional Valores válidos: Valor predeterminado: |
num_eval_samples |
El número de muestras que se utilizan por serie temporal a la hora de calcular las métricas de precisión de las pruebas. Este parámetro no tiene ninguna influencia en la capacitación o en el modelo final. En particular, se puede consultar el modelo con un número diferente de muestras. Este parámetro solo afecta a las puntuaciones de precisión informadas en el canal de prueba después de la capacitación. Los valores más pequeños dan como resultado una evaluación más rápida, pero las puntuaciones de evaluación suelen ser peores y más inciertas. Al evaluar con cuantiles mayores, por ejemplo 0,95, puede ser importante aumentar el número de muestras de evaluación. Opcional Valores válidos: número entero Valor predeterminado: 100 |
num_layers |
El número de capas ocultas enRNN. Los valores típicos están comprendidos entre 1 y 4. Opcional Valores válidos: número entero positivo Valor predeterminado: 2 |
test_quantiles |
Cuantiles para los que se calcula la pérdida de cuantiles en el canal de prueba. Opcional Valores válidos: matriz de números flotantes Valor predeterminado: [0,1, 0,2, 0,3, 0,4, 0,5, 0,6, 0,7, 0,8, 0,9] |
