As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Hiperparâmetros do DeepAR A tabela a seguir lista os hiperparâmetros que você pode definir ao treinar com o algoritmo de previsão Amazon SageMaker AI DeepAR. | Nome do parâmetro | Description | | --- | --- | | context\$1length | O número de momentos que o modelo recebe para observar antes de fazer a predição. O valor desse parâmetro deve ser o mesmo que o `prediction_length`. O modelo também recebe entradas atrasadas do destino. Portanto, `context_length` pode ser bem menor que as sazonalidades típicas. Por exemplo, uma série temporal diária pode ter sazonalidade anual. O modelo inclui automaticamente um atraso de um ano, para que a extensão de contexto possa ser menor que um ano. Os valores de atraso que o modelo seleciona dependem da frequência das séries temporais. Por exemplo, os valores de atraso de uma frequência diária são a semana anterior, 2 semanas, 3 semanas, 4 semanas e ano. **Obrigatório** Valores válidos: inteiro positivo | | epochs | O número máximo de passagens nos dados de treinamento. O valor ideal depende do tamanho dos dados e da taxa de aprendizado. Consulte também `early_stopping_patience`. Os valores típicos variam de 10 a 1000. **Obrigatório** Valores válidos: inteiro positivo | | prediction\$1length | O número de etapas de tempo que o modelo é treinado para prever, também chamado de horizonte de previsão. O modelo treinado sempre gera previsões com essa extensão. Ele não pode gerar previsões mais extensas. O `prediction_length` é fixo quando um modelo é treinado e não pode ser alterado posteriormente. **Obrigatório** Valores válidos: inteiro positivo | | time\$1freq | A granularidade da série temporal no conjunto de dados. Use `time_freq` para selecionar atributos e atrasos de data apropriados. O modelo oferece apoio para as seguintes frequências básicas: Ele também oferece apoio para múltiplos dessas frequências básicas. Por exemplo, `5min` especifica uma frequência de 5 minutos. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/deepar_hyperparameters.html) **Obrigatório** Valores válidos: Um número inteiro seguido por *M*, *W*, *D*, *H* ou *min*. Por exemplo, `5min`. | | cardinality | Ao usar os atributos categóricos (`cat`), `cardinality` é uma matriz que especifica o número de categorias (grupos) por atributo categórico. Defina isso como `auto` para inferir a cardinalidade dos dados. O modo `auto` também funciona quando nenhum atributo categórico é usado no conjunto de dados. Esta é a configuração recomendada para o parâmetro. Defina a cardinalidade como `ignore` para forçar o DeepAR a não usar atributos categóricos, mesmo que eles estejam presentes nos dados. Para realizar uma validação de dados adicional, é possível definir explicitamente esse parâmetro como o valor real. Por exemplo, se dois atributos categóricos forem fornecidos, em que o primeiro tem 2 e o outro tem 3 valores possíveis, defina isso como [2, 3]. Para obter mais informações sobre como usar o atributo categórico, consulte a seção de dados na página de documentação principal do DeepAR. **Opcional** Valores válidos: `auto`, `ignore`, matriz de números inteiros positivos, string vazia ou Valor padrão: `auto` | | dropout\$1rate | A taxa de dropout a ser usada durante o treinamento. O modelo usa a regularização de zoneout. Para cada iteração, um subconjunto aleatório de neurônios ocultos não é atualizado. Os valores típicos são inferiores a 0,2. **Opcional** Valores válidos: flutuante Valor padrão: 0.1 | | early\$1stopping\$1patience | Se esse parâmetro for definido, o treinamento será interrompido quando não houver progresso dentro do número especificado de `epochs`. O modelo que tiver a menor perda será retornado como o modelo final. **Opcional** Valores válidos: inteiro | | embedding\$1dimension | Tamanho do vetor de incorporação aprendido por atributo categórico (o mesmo valor é usado para todos os atributos categóricos). O modelo DeepAR pode aprender padrões de séries temporais em nível de grupo quando um atributo de agrupamento categórico é fornecido. Para fazer isso, o modelo aprende um vetor de incorporação de tamanho `embedding_dimension` para cada grupo, capturando as propriedades em comum de todas as séries temporais do grupo. Se o valor de `embedding_dimension` for elevado, o modelo capturará padrões mais complexos. No entanto, elevar o `embedding_dimension` também aumenta o número de parâmetros no modelo, o que torna necessário mais dados de treinamento para que tais parâmetros sejam aprendidos com precisão. Os valores típicos para esse parâmetro estão entre 10 e 100. **Opcional** Valores válidos: inteiro positivo Valor padrão: 10 | | learning\$1rate | A taxa de aprendizado usada no treinamento. Os valores típicos variam de 1e-4 a 1e-1. **Opcional** Valores válidos: flutuante Valor padrão: 1e-3 | | likelihood | O modelo gera uma previsão probabilística e pode fornecer quantis da distribuição e retornar amostras. Dependendo de seus dados, selecione uma probabilidade (modelo de ruído) apropriada que é usada para estimativas de incerteza. As seguintes probabilidades podem ser selecionadas: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/deepar_hyperparameters.html) **Opcional** Valores válidos: *gaussian*, *beta*, *negative-binomial*, *student-T* ou *deterministic-L1*. Valor padrão: `student-T` | | mini\$1batch\$1size | O tamanho de minilotes usado durante o treinamento. Os valores típicos variam de 32 a 512. **Opcional** Valores válidos: inteiro positivo Valor padrão: 128 | | num\$1cells | O número de células a ser usado em cada camada oculta da RNN. Os valores típicos variam de 30 a 100. **Opcional** Valores válidos: inteiro positivo Valor padrão: 40 | | num\$1dynamic\$1feat | O número de `dynamic_feat` fornecido nos dados. Defina isso como `auto` para inferir o número de atributos dinâmicos dos dados. O modo `auto` também funciona quando nenhum atributo dinâmico é usado no conjunto de dados. Esta é a configuração recomendada para o parâmetro. Para forçar o DeepAR a não usar atributos dinâmicos, mesmo que eles estejam presentes nos dados, defina `num_dynamic_feat` como `ignore`. Para realizar uma validação de dados adicional, é possível definir explicitamente esse parâmetro como o valor inteiro real. Por exemplo, se dois atributos dinâmicos forem fornecidos, defina o valor como 2. **Opcional** Valores válidos: `auto`, `ignore`, inteiro positivo ou string vazia Valor padrão: `auto` | | num\$1eval\$1samples | O número de amostras que são usadas por série temporal ao calcular métricas de precisão de teste. Esse parâmetro não tem influência no treinamento ou no modelo final. Em particular, o modelo pode ser consultado com um número diferente de amostras. Esse parâmetro afeta apenas as pontuações de precisão relatadas no canal de teste após o treinamento. Valores menores resultam em uma avaliação mais rápida, mas as pontuações de avaliação são tipicamente piores e mais incertas. Ao avaliar com quantis superiores, por exemplo, 0,95, pode ser importante aumentar o número de amostras de avaliação. **Opcional** Valores válidos: inteiro Valor padrão: 100 | | num\$1layers | O número de camadas ocultas na RNN. Os valores típicos variam de 1 a 4. **Opcional** Valores válidos: inteiro positivo Valor padrão: 2 | | test\$1quantiles | Quantis para os quais calcular a perda de quantil no canal de teste. **Opcional** Valores válidos: matriz de flutuantes Valor padrão: [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9] |