Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Hyperparamètres DeepAR
Le tableau suivant répertorie les hyperparamètres que vous pouvez définir lorsque vous vous entraînez avec l'algorithme de prévision Amazon SageMaker DeePar.
| Nom du paramètre | Description |
|---|---|
context_length |
Le nombre de points temporels fournis au modèle avant de procéder à la prévision. La valeur de ce paramètre doit être à peu près identique à Obligatoire Valeurs valides : nombre entier positif |
epochs |
Nombre maximal de passages sur les données d'entraînement. La valeur optimale dépend de la taille des données et du taux d'apprentissage. Voir aussi Obligatoire Valeurs valides : nombre entier positif |
prediction_length |
Le nombre d'étapes temporelles que le modèle est entraîné pour prévoir, également appelé la période de prévision. Le modèle entraîné génère toujours des prévisions de cette durée. Il ne peut pas générer de prévisions sur plus longtemps. La période Obligatoire Valeurs valides : nombre entier positif |
time_freq |
Granularité de la série chronologique dans le jeu de données. Utilisez
Obligatoire Valeurs valides : un nombre entier suivi de M, W, D, H ou de min. Par exemple, |
cardinality |
Lorsque vous utilisez les caractéristiques catégorielles ( Définissez la cardinalité sur Pour valider les données supplémentaires, il est possible de définir explicitement ce paramètre sur la valeur réelle. Par exemple, si deux caractéristiques catégorielles sont fournies, la première ayant 2 valeurs possibles et la deuxième 3 valeurs possibles, définissez cette option sur [2, 3]. Pour plus d'informations sur l'utilisation des caractéristiques catégorielles, consultez la section relative aux données sur la page de documentation principale de DeepAR. Facultatif Valeurs valides : Valeur par défaut : |
dropout_rate |
Le taux d'abandon à utiliser lors de l'entraînement. Le modèle utilise la régularisation de la méthode zoneout. Pour chaque itération, un sous-ensemble aléatoire des neurones masqués n'est pas mis à jour. Les valeurs habituelles sont inférieures à 0,2. Facultatif Valeurs valides : float Valeur par défaut : 0.1 |
early_stopping_patience |
Si ce paramètre est défini, l'entraînement s'arrête en l'absence de progrès au sein du nombre spécifié pour Facultatif Valeurs valides : nombre entier |
embedding_dimension |
Taille du vecteur d'intégration appris par caractéristique catégorielle (la même valeur est utilisée pour toutes les caractéristiques catégorielles). Le modèle DeepAR peut apprendre des schémas de séries chronologiques au niveau du groupe lorsqu'une fonction de regroupement par catégorie est fournie. Pour ce faire, le modèle apprend un vecteur d'insertion de taille Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 10 |
learning_rate |
Le taux d'apprentissage utilisé dans l'entraînement. Les valeurs standard vont de 1e-4 à 1e-1. Facultatif Valeurs valides : float Valeur par défaut : 1e-3 |
likelihood |
Le modèle génère une prévision probabiliste, et peut fournir des quantiles de la distribution et renvoyer des échantillons. En fonction de vos données, sélectionnez une probabilité appropriée (modèle de bruit) qui est utilisée pour les estimations d'incertitude. Les probabilités suivantes peuvent être sélectionnées :
Facultatif Valeurs valides : l'une des valeurs gaussian, beta, negative-binomial, student-T ou deterministic-L1. Valeur par défaut : |
mini_batch_size |
La taille des mini-lots utilisés au cours de l'entraînement. Les valeurs standard vont de 32 à 512. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 128 |
num_cells |
Le nombre de cellules à utiliser dans chaque couche cachée duRNN. Les valeurs standard vont de 30 à 100. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 40 |
num_dynamic_feat |
Nombre de variables Définissez Pour valider les données supplémentaires, il est possible de définir explicitement ce paramètre sur la valeur de nombre entier réelle. Par exemple, si deux caractéristiques dynamiques sont fournies, définissez cette valeur sur 2. Facultatif Valeurs valides : Valeur par défaut : |
num_eval_samples |
Nombre d'échantillons utilisés par série chronologique lors du calcul des métriques de précision de test. Ce paramètre n'a aucun effet sur l'entraînement ou sur le modèle définitif. En particulier, le modèle peut être interrogé avec un nombre d'échantillons différent. Ce paramètre affecte uniquement les scores de précision signalés sur le canal de test après l'entraînement. Des valeurs plus petites permettent d'accélérer l'évaluation, mais les scores d'évaluation sont alors généralement plus médiocres et plus incertains. En cas d'évaluation avec des quantiles plus élevés, par exemple 0,95, il peut être important d'augmenter le nombre d'échantillons d'évaluation. Facultatif Valeurs valides : nombre entier Valeur par défaut : 100 |
num_layers |
Le nombre de couches cachées dans leRNN. Les valeurs standard vont de 1 à 4. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 2 |
test_quantiles |
Quantiles pour lesquels calculer la perte de quantile sur le canal de test. Facultatif Valeurs valides : ensemble de valeurs flottantes Valeur par défaut : [0,1, 0,2, 0,3, 0,4, 0,5, 0,6, 0,7, 0,8, 0,9] |
