DeepAR 超参数 - 亚马逊 SageMaker AI

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

DeepAR 超参数

下表列出了在使用 Amazon A SageMaker I Deepar 预测算法进行训练时可以设置的超参数。

参数名称 描述
context_length

在进行预测之前，模型需要获取查看的时间点数量。此参数的值应该与 prediction_length 大致相同。此模型还接收来自目标的滞后输入，因此 context_length 可以比典型的季节性小得多。例如，每日时间序列可以具有每年的季节性。模型自动包括一年的滞后，因此上下文长度可以短于一年。模型选取的滞后值取决于时间序列的频率。例如，每日频率的滞后值为：前 1 周、2 周、3 周、4 周和 1 年。

必填

有效值：正整数
epochs

扫描训练数据的最大次数。最佳值取决于您的数据大小和学习率。另请参阅early_stopping_patience。典型值范围为 10 到 1000。

必填

有效值：正整数
prediction_length

训练模型来预测的时间步长数，也称为预测期。训练后的模型始终生成此长度的预测。它无法生成更长的预测。在训练模型时，prediction_length 是固定的，以后无法更改。

必填

有效值：正整数
time_freq

数据集中时间序列的粒度。使用 time_freq 选择适当的日期特征和滞后。该模型支持以下基本频率。它还支持这些基本频率的倍数。例如，5min 指定 5 分钟的频率。

  • M：每月

  • W：每周

  • D：每天

  • H：每小时

  • min：每分钟

必填

有效值：一个整数，后跟 M、W、D、H 或 min。例如，5min。
cardinality

在使用分类特征 (cat) 时，cardinality 是一个数组，指定每个分类特征的类别（组）数。将此项设置为 auto 可从数据中推理基数。在数据集中未使用分类特征时，auto 模式也适用。这是该参数的推荐设置。

将基数设置为 ignore 可强制 DeepAR 不使用分类特征，即使数据中存在分类特征。

要执行额外的数据验证，可以将此参数明确设置为实际值。例如，如果提供了两个分类特征，第一个有 2 个可能值，另一个有 3 个可能值，则将此项设置为 [2, 3]。

有关如何使用分类特征的更多信息，请参阅 DeepAR 主文档页面上的数据部分。

可选

有效值：auto、ignore、正整数数组、空字符串或

默认值：auto
dropout_rate

训练期间使用的丢弃比率。该模型使用 zoneout 正则化。对于每次迭代，不更新隐藏神经元的随机子集。典型值小于 0.2。

可选

有效值：浮点值

默认值：0.1
early_stopping_patience

如果设置此参数，则在指定的 epochs 次数后没有取得进展时，训练将停止。返回具有最低损失的模型作为最后的模型。

可选

有效值：整数
embedding_dimension

每个分类特征学习的嵌入向量的大小（对所有分类特征使用相同的值）。

在提供了分类分组特征时，DeepAR 模型可以学习组级别的时间序列模式。为此，模型学习每个组大小为 embedding_dimension 的嵌入向量，该向量捕获组中所有时间序列的通用属性。较大的 embedding_dimension 允许模式捕获更复杂的模式。但是，由于增加 embedding_dimension 会增加模型中的参数数量，准确学习这些参数需要更多训练数据。此参数的典型值在 10 至 100 之间。

可选

有效值：正整数

默认值：10
learning_rate

训练中使用的学习率。典型值范围从 1e-4 到 1e-1。

可选

有效值：浮点值

默认值：1e-3
likelihood

模型生成一个概率预测，并可以提供分布的分位数和返回样本。根据您的数据，选择用于不确定性估算的相应可能性（噪声模型）。可以选择以下可能性：

  • gaussian (高斯)：用于实际值数据。

  • beta：用于 0 和 1 之间 (含端值) 的实际值目标。

  • negative-binomial (负二项式)：用于计数数据 (非负整数)。

  • student-T (T 检验)：实际值数据的替代，非常适合突发式数据。

  • deterministic-L1 (确定性 L1)：损失函数，不估算不确定性，仅学习单点预测。

可选

有效值：gaussian (高斯)、beta、negative-binomial (负二项式)、student-T (T 检验) 或 deterministic-L1 (确定性 L1) 之一。

默认值：student-T
mini_batch_size

训练期间使用的小批次的大小。典型值范围为 32 到 512。

可选

有效值：正整数

默认值：128
num_cells

RNN 的各个隐藏层中使用的单元数。典型值范围为 30 到 100。

可选

有效值：正整数

默认值：40
num_dynamic_feat

dynamic_feat 的数量在数据中提供。将此项设置为 auto 可从数据中推理动态特征的数量。在数据集中未使用动态特征时，auto 模式也适用。这是该参数的推荐设置。

要强制 DeepAR 不使用动态特征（即使数据中存在动态特征），请将 num_dynamic_feat 设置为 ignore。

要执行额外的数据验证，可以将此参数明确设置为实际整数值。例如，如果提供了两个动态特征，则将此项设置为 2。

可选

有效值：auto、ignore、正整数或空字符串

默认值：auto
num_eval_samples

在计算测试准确性指标时，每个时间序列使用的样本数量。此参数对训练或最终模型没有任何影响。具体而言，可以使用不同数量的样本来查询模型。此参数仅影响训练后测试通道上报告的准确性分数。值越小，评估越快，但评估分数通常会更差且更不确定。当使用更高的分位数（例如 0.95）进行评估时，增加评估样本的数量可能会非常重要。

可选

有效值：整数

默认值：100
num_layers

RNN 中的隐藏层数。典型值范围为 1 到 4。

可选

有效值：正整数

默认值：2
test_quantiles

用于计算测试通道上的分位数损失的分位数。

可选

有效值：浮点数数组

默认值：[0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9]