Amazon Forecast non è più disponibile per i nuovi clienti. I clienti esistenti di Amazon Forecast possono continuare a utilizzare il servizio normalmente. Scopri di più»
Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Guida introduttiva (notebook Python)
Nota
Per un elenco completo dei tutorial che utilizzano i notebook Python, consulta la pagina Amazon Forecast Github Samples
Per iniziare a usare le API Amazon Forecast con i notebook Python, consulta il tutorial introduttivo
Per i tutorial di base per processi specifici, fai riferimento ai seguenti taccuini Python:
-
Preparazione dei dati
: prepara un set di dati, crea un gruppo di set di dati, definisci lo schema e importa il gruppo di set di dati. -
Creazione del tuo predittore
: addestra un predittore sui dati che hai importato nel tuo set di dati Forecast. -
Valutazione dei predittori
: ottieni previsioni, visualizza previsioni e confronta i risultati. -
Riqualificazione dei predittori
: riqualifica un predittore esistente con dati aggiornati. -
Esegui l'upgrade a AutoPredictor
- Aggiorna i predittori precedenti a AutoPredictor. -
Pulizia
: elimina i gruppi di set di dati, i predittori e le previsioni creati durante i tutorial.
Per ripetere il tutorial introduttivo con AutoML, vedi Guida introduttiva ad AutoML
Tutorial avanzati
Per tutorial più avanzati, consulta i seguenti notebook in Python:
-
Spiegabilità a livello di articolo: scopri
come gli attributi dei set di dati influiscono sulle previsioni per serie temporali e punti temporali specifici. -
Confronto di più modelli
: crea predittori utilizzando Prophet, ETS e DeepAr+ e confronta le loro prestazioni visualizzando i risultati. -
Previsione a freddo
: utilizza i metadati degli articoli e l'algoritmo DeepAr+ per prevedere gli scenari di avvio a freddo (quando i dati storici sono scarsi o assenti). -
Incorporazione di set di dati di serie temporali
correlati: utilizza set di dati di serie temporali correlati per migliorare la precisione del modello. -
Incorporazione dei metadati
degli articoli: utilizza i metadati degli articoli per migliorare la precisione del modello. -
Utilizzo dell'indice meteorologico
: utilizza l'indice meteorologico per incorporare informazioni meteorologiche storiche e previste quando alleni i tuoi predittori. -
Esecuzione di analisi ipotetiche
: esplora diversi scenari di prezzo e valuta in che modo influiscono sulla domanda. -
Valuta la precisione a livello di articolo
: esporta le metriche e le previsioni dei backtest e valuta le prestazioni a livello di articolo del tuo predittore.
