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
<a name="deepar_hyperparameters"></a>

Le tableau suivant répertorie les hyperparamètres que vous pouvez définir lorsque vous vous entraînez avec l'algorithme de prévision Amazon SageMaker AI DeePar.


| Nom du paramètre | Description | 
| --- | --- | 
| context\$1length |  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 `prediction_length`. Comme le modèle reçoit également les entrées décalées de la cible, `context_length` peut être nettement plus petit que la saisonnalité classique. Par exemple, une série chronologique quotidienne peut avoir une saisonnalité annuelle. Le modèle inclut automatiquement un décalage d'un an. La longueur du contexte peut donc être plus courte qu'un an. Les valeurs de décalage sélectionnées par le modèle dépendent de la fréquence des séries chronologiques. Par exemple, les valeurs de décalage pour la fréquence quotidienne sont la semaine précédente, 2 semaines, 3 semaines, 4 semaines et un an. **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. Consultez également `early_stopping_patience`. Les valeurs standard vont de 10 à 1000. **Obligatoire** Valeurs valides : nombre entier positif  | 
| prediction\$1length |  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 `prediction_length` est fixée lorsqu'un modèle est entraîné et elle ne pourra pas être modifiée ultérieurement. **Obligatoire** Valeurs valides : nombre entier positif  | 
| time\$1freq |  Granularité de la série chronologique dans le jeu de données. Utilisez `time_freq` pour sélectionner les décalages et fonctions de date. Le modèle prend en charge les fréquences de base suivantes. Il prend également en charge plusieurs de ces fréquences de base. Par exemple, `5min` spécifie une fréquence de 5 minutes. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/deepar_hyperparameters.html) **Obligatoire** Valeurs valides : un nombre entier suivi de *M*, *W*, *D*, *H* ou de *min*. Par exemple, `5min`.  | 
| cardinality |  Lorsque vous utilisez les caractéristiques catégorielles (`cat`), `cardinality` est un tableau spécifiant le nombre de catégories (groupes) par caractéristique catégorielle. Définissez ce paramètre sur `auto` afin de déduire la cardinalité des données. Le mode `auto` fonctionne également lorsque aucune caractéristique catégorielle n'est utilisée dans le jeu de données. Il s'agit de la valeur recommandée pour le paramètre. Définissez la cardinalité sur `ignore` afin de forcer DeepAR à ne pas utiliser les caractéristiques catégorielles, même si elles sont présentes dans les données. 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 : `auto`, `ignore`, tableau de nombres entiers positifs, chaîne vide  Valeur par défaut : `auto`  | 
| dropout\$1rate |  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\$1stopping\$1patience |  Si ce paramètre est défini, l'entraînement s'arrête en l'absence de progrès au sein du nombre spécifié pour `epochs`. Le modèle qui a la plus faible perte est renvoyé en tant que modèle définitif. **Facultatif** Valeurs valides : nombre entier  | 
| embedding\$1dimension |  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 `embedding_dimension` pour chaque groupe et capture les propriétés communes à toutes les séries chronologiques de ce groupe. Une plus grande `embedding_dimension` autorise le modèle à capturer des schémas plus complexes. Cependant, comme l'augmentation de `embedding_dimension` augmente le nombre de paramètres du modèle, des données d'entraînement plus nombreuses sont nécessaires pour apprendre ces paramètres. Les valeurs habituelles pour ce paramètre sont situées entre 10 et 100.  **Facultatif** Valeurs valides : nombre entier positif Valeur par défaut : 10  | 
| learning\$1rate |  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 : [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/deepar_hyperparameters.html) **Facultatif** Valeurs valides : l'une des valeurs *gaussian*, *beta*, *negative-binomial*, *student-T* ou *deterministic-L1*. Valeur par défaut : `student-T`  | 
| mini\$1batch\$1size |  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\$1cells |  Le nombre de cellules à utiliser dans chaque couche masquée du réseau RNN. Les valeurs standard vont de 30 à 100. **Facultatif** Valeurs valides : nombre entier positif Valeur par défaut : 40  | 
| num\$1dynamic\$1feat |  Nombre de variables `dynamic_feat` fournies dans les données. Définissez ce paramètre sur `auto` afin de déduire le nombre de caractéristiques dynamiques des données. Le mode `auto` fonctionne également lorsque aucune caractéristique dynamique n'est utilisée dans le jeu de données. Il s'agit de la valeur recommandée pour le paramètre. Définissez `num_dynamic_feat` sur `ignore` afin de forcer DeepAR à ne pas utiliser les caractéristiques dynamiques, même si elles sont présentes dans les données.  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 : `auto`, `ignore`, nombre entier positif ou chaîne vide Valeur par défaut : `auto`  | 
| num\$1eval\$1samples |  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\$1layers |  Nombre de couches masquées du réseau RNN. Les valeurs standard vont de 1 à 4. **Facultatif** Valeurs valides : nombre entier positif Valeur par défaut : 2  | 
| test\$1quantiles |  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]  |