Hyperparameter DeepAR

Jumlah titik waktu yang bisa dilihat model sebelum membuat prediksi. Nilai untuk parameter ini harus hampir sama denganprediction_length. Model ini juga menerima input tertinggal dari target, sehingga context_length bisa jauh lebih kecil daripada musim biasa. Misalnya, deret waktu harian dapat memiliki musim tahunan. Model secara otomatis menyertakan jeda satu tahun, sehingga panjang konteksnya bisa lebih pendek dari satu tahun. Nilai lag yang dipilih model bergantung pada frekuensi deret waktu. Misalnya, nilai lag untuk frekuensi harian adalah minggu sebelumnya, 2 minggu, 3 minggu, 4 minggu, dan tahun.

Diperlukan

Nilai yang valid: Integer positif

Jumlah maksimum lintasan di atas data pelatihan. Nilai optimal tergantung pada ukuran data dan tingkat pembelajaran Anda. Lihat juga early_stopping_patience. Nilai tipikal berkisar dari 10 hingga 1000.

Diperlukan

Nilai yang valid: Integer positif

Jumlah langkah waktu yang dilatih model untuk memprediksi, juga disebut horizon perkiraan. Model terlatih selalu menghasilkan perkiraan dengan panjang ini. Itu tidak dapat menghasilkan perkiraan yang lebih panjang. prediction_lengthIni diperbaiki ketika model dilatih dan tidak dapat diubah nanti.

Diperlukan

Nilai yang valid: Integer positif

Granularitas deret waktu dalam dataset. Gunakan time_freq untuk memilih fitur dan kelambatan tanggal yang sesuai. Model ini mendukung frekuensi dasar berikut. Ini juga mendukung kelipatan frekuensi dasar ini. Misalnya, 5min menentukan frekuensi 5 menit.

Diperlukan

Nilai yang valid: Bilangan bulat diikuti oleh M, W, D, H, atau min. Misalnya,5min.

Saat menggunakan fitur kategoris (cat), cardinality adalah array yang menentukan jumlah kategori (grup) per fitur kategoris. Atur ini auto untuk menyimpulkan kardinalitas dari data. autoMode ini juga berfungsi ketika tidak ada fitur kategoris yang digunakan dalam dataset. Ini adalah pengaturan yang disarankan untuk parameter.

Atur kardinalitas ignore untuk memaksa DeepAR agar tidak menggunakan fitur kategoris, bahkan jika mereka ada dalam data.

Untuk melakukan validasi data tambahan, dimungkinkan untuk secara eksplisit mengatur parameter ini ke nilai aktual. Misalnya, jika dua fitur kategoris disediakan di mana yang pertama memiliki 2 dan yang lainnya memiliki 3 nilai yang mungkin, atur ini ke [2, 3].

Untuk informasi lebih lanjut tentang cara menggunakan fitur kategoris, lihat bagian data di halaman dokumentasi utama DeepAR.

Opsional

Nilai yang valid:auto,ignore, array bilangan bulat positif, string kosong, atau

Nilai default: auto

Tingkat putus sekolah untuk digunakan selama pelatihan. Model ini menggunakan regularisasi zoneout. Untuk setiap iterasi, subset acak dari neuron tersembunyi tidak diperbarui. Nilai tipikal kurang dari 0,2.

Opsional

Nilai yang valid: float

Nilai default: 0.1

Jika parameter ini disetel, pelatihan berhenti ketika tidak ada kemajuan yang dibuat dalam jumlah yang ditentukanepochs. Model yang memiliki kerugian terendah dikembalikan sebagai model akhir.

Opsional

Nilai yang valid: integer

Ukuran vektor penyematan yang dipelajari per fitur kategoris (nilai yang sama digunakan untuk semua fitur kategoris).

Model DeepAR dapat mempelajari pola deret waktu tingkat grup ketika fitur pengelompokan kategoris disediakan. Untuk melakukan ini, model mempelajari vektor penyematan ukuran embedding_dimension untuk setiap grup, menangkap sifat umum dari semua deret waktu dalam grup. Yang lebih besar embedding_dimension memungkinkan model untuk menangkap pola yang lebih kompleks. Namun, karena embedding_dimension meningkatkan jumlah parameter dalam model, lebih banyak data pelatihan diperlukan untuk mempelajari parameter ini secara akurat. Nilai tipikal untuk parameter ini adalah antara 10-100.

Opsional

Nilai yang valid: bilangan bulat positif

Nilai default: 10

Tingkat pembelajaran yang digunakan dalam pelatihan. Nilai tipikal berkisar dari 1e-4 hingga 1e-1.

Opsional

Nilai yang valid: float

Nilai default: 1e-3

Model menghasilkan perkiraan probabilistik, dan dapat memberikan kuantil distribusi dan sampel pengembalian. Tergantung pada data Anda, pilih kemungkinan yang sesuai (model kebisingan) yang digunakan untuk perkiraan ketidakpastian. Kemungkinan berikut dapat dipilih:

Opsional

Nilai yang valid: Salah satu dari gaussian, beta, negatif-binomial, student-T, atau deterministik-L1.

Nilai default: student-T

Ukuran batch mini yang digunakan selama pelatihan. Nilai tipikal berkisar antara 32 hingga 512.

Opsional

Nilai yang valid: bilangan bulat positif

Nilai default: 128

Jumlah sel yang digunakan di setiap lapisan tersembunyi RNN. Nilai tipikal berkisar antara 30 hingga 100.

Opsional

Nilai yang valid: bilangan bulat positif

Nilai default: 40

Jumlah yang dynamic_feat disediakan dalam data. Atur ini auto untuk menyimpulkan jumlah fitur dinamis dari data. autoMode ini juga berfungsi ketika tidak ada fitur dinamis yang digunakan dalam dataset. Ini adalah pengaturan yang disarankan untuk parameter.

Untuk memaksa DeepAR agar tidak menggunakan fitur dinamis, meskipun mereka ada dalam data, setel num_dynamic_feat keignore.

Untuk melakukan validasi data tambahan, dimungkinkan untuk secara eksplisit mengatur parameter ini ke nilai integer aktual. Misalnya, jika dua fitur dinamis disediakan, setel ini ke 2.

Opsional

Nilai yang valid: autoignore,, integer positif, atau string kosong

Nilai default: auto

Jumlah sampel yang digunakan per deret waktu saat menghitung metrik akurasi pengujian. Parameter ini tidak memiliki pengaruh apa pun pada pelatihan atau model akhir. Secara khusus, model dapat ditanyakan dengan jumlah sampel yang berbeda. Parameter ini hanya memengaruhi skor akurasi yang dilaporkan pada saluran tes setelah pelatihan. Nilai yang lebih kecil menghasilkan evaluasi yang lebih cepat, tetapi kemudian skor evaluasi biasanya lebih buruk dan lebih tidak pasti. Saat mengevaluasi dengan kuantil yang lebih tinggi, misalnya 0,95, mungkin penting untuk meningkatkan jumlah sampel evaluasi.

Opsional

Nilai yang valid: integer

Nilai default: 100

Jumlah lapisan tersembunyi di RNN. Nilai tipikal berkisar dari 1 hingga 4.

Opsional

Nilai yang valid: bilangan bulat positif

Nilai default: 2

Kuantil yang digunakan untuk menghitung kerugian kuantil pada saluran uji.

Opsional

Nilai yang valid: array float

Nilai default: [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9]