Amazon Forecast tidak lagi tersedia untuk pelanggan baru. Pelanggan Amazon Forecast yang ada dapat terus menggunakan layanan seperti biasa. Pelajari lebih lanjut”
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Memulai (Notebook Python)
catatan
Untuk daftar lengkap tutorial menggunakan notebook Python, lihat halaman Sampel Github
Untuk mulai menggunakan Amazon Forecast APIs dengan notebook Python, lihat Tutorial Memulai
Untuk tutorial dasar untuk proses tertentu, lihat notebook Python berikut:
-
Mempersiapkan data
- Siapkan kumpulan data, buat grup dataset, tentukan skema, dan impor grup dataset. -
Membangun prediktor Anda
- Latih prediktor pada data yang Anda impor ke dataset Forecast Anda. -
Mengevaluasi prediktor
- Dapatkan prediksi, visualisasikan prediksi, dan bandingkan hasil. -
Prediktor pelatihan ulang
- Melatih kembali prediktor yang ada dengan data yang diperbarui. -
Tingkatkan ke AutoPredictor
- Tingkatkan prediktor lama ke. AutoPredictor -
Bersihkan
- Hapus grup dataset, prediktor, prakiraan yang dibuat selama tutorial.
Untuk mengulangi tutorial Memulai dengan AutoML, lihat Memulai dengan AutoML
Tutorial Lanjutan
Untuk tutorial yang lebih lanjut, lihat notebook Python berikut:
-
Keterjelasan tingkat item -
Memahami bagaimana atribut kumpulan data memengaruhi perkiraan untuk deret waktu dan titik waktu tertentu. -
Membandingkan beberapa model
- Buat prediktor menggunakan Nabi, ETS, dan DeepAR+, dan bandingkan kinerja mereka dengan memvisualisasikan hasilnya. -
Peramalan awal dingin
- Gunakan metadata item dan algoritme DeepAR+ untuk memperkirakan skenario start dingin (ketika ada sedikit atau tidak ada data historis). -
Memasukkan kumpulan data deret waktu terkait - Gunakan kumpulan data
deret waktu terkait untuk meningkatkan akurasi model Anda. -
Memasukkan metadata item
- Gunakan metadata item untuk meningkatkan akurasi model Anda. -
Menggunakan Indeks Cuaca - Gunakan Indeks
Cuaca untuk menggabungkan informasi cuaca historis dan proyeksi saat melatih prediktor Anda. -
Melakukan analisis bagaimana-jika
- Jelajahi skenario penetapan harga yang berbeda dan evaluasi bagaimana pengaruhnya terhadap permintaan. -
Evaluasi akurasi tingkat item
- Ekspor metrik dan prakiraan backtest, dan evaluasi kinerja tingkat item prediktor Anda.
