기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
DeepAR 하이퍼파라미터
다음 표에는 Amazon SageMaker DeepAR 예측 알고리즘으로 훈련할 때 설정할 수 있는 하이퍼파라미터가 나열되어 있습니다.
| 파라미터 이름 | 설명 |
|---|---|
context_length |
예측 생성 전 모델이 확인하는 시간 지점의 수입니다. 이 파라미터의 값은 필수 유효한 값: 양수 |
epochs |
훈련 데이터의 최대 전달 횟수. 최적값은 데이터의 크기와 학습률에 따라 다릅니다. 또한 필수 유효한 값: 양수 |
prediction_length |
모델이 예측을 위해 교육되는 시간 단계의 수이며, 예측 구간이라고도 합니다. 교육된 모델은 항상 이 길이로 예측을 생성합니다. 길이가 더 긴 예측은 생성할 수 없습니다. 필수 유효한 값: 양수 |
time_freq |
데이터 세트의 시계열 세부 수준.
필수 유효한 값: M, W, D, H, 또는 min 앞에 오는 정수. 예를 들어 |
cardinality |
범주 요인(feature)( 카디널리티를 추가 데이터 검증을 수행하기 위해 이 파라미터를 실제 값으로 명시적으로 설정할 수 있습니다. 예를 들어, 범주 요인(feature) 2개가 제공되는데, 첫 번째 요인(feature)에는 가능한 값이 2개, 다른 요인(feature)에는 3개 있는 경우에는 [2, 3]으로 설정합니다. 범주 요인(feature) 사용 방법에 대한 자세한 정보는 DeepAR의 기본 설명 페이지에서 데이터 단원을 참조하세요. 선택 사항 유효한 값: 기본 값: |
dropout_rate |
훈련 도중 사용할 드롭아웃 비율. 이 모델은 존아웃 정규화를 사용합니다. 각각의 반복에서 숨겨진 신경의 임의 하위 세트는 업데이트되지 않습니다. 일반적인 값은 0.2보다 작습니다. 선택 사항 유효한 값: 부동 소수점 기본값: 0.1 |
early_stopping_patience |
이 파라미터가 설정된 경우 선택 사항 유효한 값: 정수 |
embedding_dimension |
범주 요인(feature)당 학습된 임베딩 벡터의 크기(모든 범주 요인(feature)에 대해 동일한 값이 사용됨). DeepAR 모델은 범주 그룹화 요인(feature)이 제공된 경우 그룹 수준 시계열 패턴을 학습할 수 있습니다. 이를 위해 모델은 각 그룹에 대해 크기가 선택 사항 유효한 값: 양수 기본값: 10 |
learning_rate |
훈련에 사용되는 학습률. 일반적 값은 1e-4에서 1e-1입니다. 선택 사항 유효한 값: 부동 소수점 기본값: 1e-3 |
likelihood |
모델은 확률론적 예측을 생성하고, 분포의 분위를 제공하고 샘플을 반환할 수 있습니다. 데이터에 따라 불확실성 추정에 사용할 적절한 가능도(노이즈 모델)를 선택합니다. 다음 가능도를 선택할 수 있습니다.
선택 사항 유효한 값: gaussian, beta, negative-binomial, student-T 또는 deterministic-L1 중 하나. 기본 값: |
mini_batch_size |
훈련 도중 사용되는 미니 배치의 크기. 일반적 값은 32~512입니다. 선택 사항 유효한 값: 양수 기본값: 128 |
num_cells |
의 숨겨진 각 계층에 사용할 셀 수입니다RNN. 일반적 값은 30~100입니다. 선택 사항 유효한 값: 양수 기본값: 40 |
num_dynamic_feat |
데이터에 제공된 동적 요인(feature)이 데이터에 있더라도 DeepAR에서 동적 요인(feature)을 사용하지 않도록 강제하려면 추가 데이터 검증을 수행하기 위해 이 파라미터를 실제 정수 값으로 명시적으로 설정할 수 있습니다. 예를 들어, 두 개의 동적 요인(feature)이 제공된 경우 2로 설정합니다. 선택 사항 유효한 값: 기본 값: |
num_eval_samples |
테스트 정확도 지표를 계산하는 데 시계열당 사용된 샘플 수. 이 파라미터는 훈련 또는 최종 모델에 대해 어떠한 영향도 미치지 않습니다. 특히, 여러 가지 다른 샘플을 사용해 모델을 쿼리할 수 있습니다. 이 파라미터는 훈련 후에 test 채널에서 보고된 정확도 점수에만 영향을 미칩니다. 값이 작을수록 평가 시간이 단축되지만 일반적으로 평가 점수가 더 좋지 않고 불확실성은 더 커집니다. 더 높은 분위수(예: 0.95)로 평가하는 경우에는 평가 샘플의 수를 늘리는 것이 중요할 수 있습니다. 선택 사항 유효한 값: 정수 기본 값: 100 |
num_layers |
의 숨겨진 계층 수입니다RNN. 일반적 값은 1~4입니다. 선택 사항 유효한 값: 양수 기본값: 2 |
test_quantiles |
test 채널에서 분위 손실을 계산할 분위. 선택 사항 유효한 값: 부동 소수점 어레이 기본값: [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9] |
