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.
Iperparametri DeepAR
La tabella seguente elenca gli iperparametri che puoi impostare durante l'allenamento con l'algoritmo di previsione Amazon SageMaker DeepAR.
| Nome parametro | Descrizione |
|---|---|
context_length |
Il numero di punti temporali ottenuti dal modello prima di effettuare la previsione. Il valore di questo parametro deve essere più o meno lo stesso di Campo obbligatorio Valori validi: numeri interi positivi |
epochs |
Numero massimo di passate sui dati di addestramento. Il valore ottimale dipende dalle dimensioni dei dati e dalla velocità di apprendimento. Consulta anche Campo obbligatorio Valori validi: numeri interi positivi |
prediction_length |
Numero di fasi temporali che il modello è in grado di prevedere, noto anche come orizzonte di previsione. Il modello addestrato genera sempre previsioni con questa durata. Non è in grado di generare previsioni più lunghe. Il valore Campo obbligatorio Valori validi: numeri interi positivi |
time_freq |
Granularità della serie temporale nel set di dati. Utilizza
Campo obbligatorio I valori validi: un numero intero seguito da M, W, D, H o min. Ad esempio, |
cardinality |
Quando utilizzi la caratteristiche di categoria ( Imposta la cardinalità su Per eseguire ulteriori convalide dei dati, è possibile impostare esplicitamente questo parametro sul valore effettivo. Ad esempio, se vengono fornite due caratteristiche di categoria in cui la prima ha 2 e l'altra ha 3 valori possibili, imposta il parametro su [2, 3]. Per ulteriori informazioni su come utilizzare la caratteristica di categoria, consulta la sezione dei dati nella pagina della documentazione principale di DeepAR. Opzionale I valori validi: Valore predefinito: |
dropout_rate |
Tasso di abbandono da utilizzare durante l’addestramento. Il modello utilizza la regolarizzazione del metodo zoneout. Per ogni iterazione un sottoinsieme casuale di neuroni nascosti non viene aggiornato. I valori tipici sono inferiori a 0,2. Opzionale Valori validi: float. Valore predefinito: 0,1 |
early_stopping_patience |
Se questo parametro è impostato, l’addestramento si interrompe quando non si registrano progressi entro il numero specificato di Opzionale Valori validi: numero intero |
embedding_dimension |
La dimensione del vettore di incorporamento appreso per caratteristica di categoria (lo stesso valore è utilizzato per tutte le caratteristiche di categoria). Il modello DeepAR può apprendere modelli di serie temporali a livello di gruppo quando viene fornita una caratteristica di raggruppamento categorica. Per eseguire questa operazione, il modello apprende un vettore di incorporamento di dimensioni Opzionale Valori validi: numeri interi positivi Valore predefinito: 10 |
learning_rate |
Velocità di apprendimento utilizzata durante l’addestramento. I valori tipici sono compresi tra 1e-4 e 1e-1. Opzionale Valori validi: float. Valore predefinito: 1e-3 |
likelihood |
Il modello genera una previsione probabilistica e può fornire quantili della distribuzione e restituire campioni. A seconda dei tuoi dati, seleziona una probabilità appropriata (modello di disturbo) utilizzata per le stime di incertezza. È possibile selezionare le probabilità seguenti:
Opzionale Valori validi: uno tra gaussian (gaussiano), beta, negative-binomial (binomial negativo), student-T (T studente) e deterministic-L1 (L1 deterministico). Valore predefinito: |
mini_batch_size |
Dimensione dei mini batch usati durante l’addestramento. I valori tipici sono compresi tra 32 e 512. Opzionale Valori validi: numeri interi positivi Valore predefinito: 128 |
num_cells |
Il numero di celle da utilizzare in ogni livello nascosto di. RNN I valori tipici sono compresi tra 30 e 100. Opzionale Valori validi: numeri interi positivi Valore predefinito: 40 |
num_dynamic_feat |
Il numero di Per forzare DeepAR a non utilizzare le caratteristiche dinamiche, anche se presenti nei dati, imposta Per eseguire ulteriori convalide dei dati, è possibile impostare esplicitamente questo parametro sul numero intero effettivo. Ad esempio, se vengono fornite due caratteristiche dinamiche, imposta questo valore su 2. Opzionale I valori validi: Valore predefinito: |
num_eval_samples |
Il numero di esempi utilizzati per ogni serie temporale quando si calcolano i parametri di accuratezza del test. Questo parametro non ha alcuna influenza sull’addestramento o sul modello finale. In particolare, è possibile eseguire le query sul modello con un numero di esempi diverso. Questo parametro influisce solo sui punteggi di accuratezza riportati nel canale di test dopo l’addestramento. I valori più piccoli producono una valutazione più rapidamente, ma i punteggi di valutazione sono in genere peggiori e meno accurati. Quando si valuta con quantili più elevati, ad esempio 0,95, può essere importante aumentare il numero di esempi di valutazione. Opzionale Valori validi: numero intero Valore predefinito: 100 |
num_layers |
Il numero di livelli nascosti inRNN. I valori tipici sono compresi tra 1 e 4. Opzionale Valori validi: numeri interi positivi Valore predefinito: 2 |
test_quantiles |
Quantili per i quali calcolare lo scarto quantile sul canale di test. Opzionale Valori validi: array di float Valore predefinito: [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9] |
