DeepAR Hyperparameter

Nama Parameter	Deskripsi
context_length	Jumlah titik waktu yang dapat dilihat model sebelum membuat prediksi. Nilai untuk parameter ini harus hampir sama denganprediction_length. Model ini juga menerima input tertinggal dari target, sehingga context_length bisa jauh lebih kecil daripada musim biasa. Misalnya, deret waktu harian dapat memiliki musim tahunan. Model secara otomatis menyertakan jeda satu tahun, sehingga panjang konteksnya bisa lebih pendek dari satu tahun. Nilai lag yang dipilih model bergantung pada frekuensi deret waktu. Misalnya, nilai lag untuk frekuensi harian adalah minggu sebelumnya, 2 minggu, 3 minggu, 4 minggu, dan tahun. Diperlukan Nilai yang valid: Bilangan bulat positif
epochs	Jumlah maksimum lintasan atas data pelatihan. Nilai optimal tergantung pada ukuran data dan tingkat pembelajaran Anda. Lihat juga early_stopping_patience. Nilai tipikal berkisar dari 10 hingga 1000. Diperlukan Nilai yang valid: Bilangan bulat positif
prediction_length	Jumlah langkah waktu yang dilatih model untuk diprediksi, juga disebut cakrawala ramalan. Model terlatih selalu menghasilkan prakiraan dengan panjang ini. Itu tidak dapat menghasilkan perkiraan yang lebih lama. prediction_lengthItu diperbaiki ketika model dilatih dan tidak dapat diubah nanti. Diperlukan Nilai yang valid: Bilangan bulat positif
time_freq	Perincian deret waktu dalam kumpulan data. Gunakan time_freq untuk memilih fitur dan kelambatan tanggal yang sesuai. Model ini mendukung frekuensi dasar berikut. Ini juga mendukung kelipatan frekuensi dasar ini. Misalnya, 5min menentukan frekuensi 5 menit. M: bulanan W: mingguan D: setiap hari H: per jam min: setiap menit Diperlukan Nilai yang valid: Sebuah bilangan bulat diikuti oleh M, W, D, H, atau min. Misalnya,5min.
cardinality	Saat menggunakan fitur kategoris (cat), cardinality adalah array yang menentukan jumlah kategori (grup) per fitur kategoris. Setel ini auto untuk menyimpulkan kardinalitas dari data. autoMode ini juga berfungsi ketika tidak ada fitur kategoris yang digunakan dalam kumpulan data. Ini adalah pengaturan yang disarankan untuk parameter. Atur kardinalitas ignore untuk memaksa DeepAR untuk tidak menggunakan fitur kategoris, bahkan itu ada dalam data. Untuk melakukan validasi data tambahan, dimungkinkan untuk secara eksplisit mengatur parameter ini ke nilai aktual. Misalnya, jika dua fitur kategoris disediakan di mana yang pertama memiliki 2 dan yang lainnya memiliki 3 nilai yang mungkin, atur ini ke [2, 3]. Untuk informasi selengkapnya tentang cara menggunakan fitur kategoris, lihat bagian data di halaman dokumentasi utama DeepAR. Opsional Nilai yang valid: autoignore,, array bilangan bulat positif, string kosong, atau Nilai default: auto
dropout_rate	Tingkat putus sekolah untuk digunakan selama pelatihan. Model ini menggunakan regularisasi zoneout. Untuk setiap iterasi, subset acak dari neuron tersembunyi tidak diperbarui. Nilai tipikal kurang dari 0,2. Opsional Nilai yang valid: float Nilai default: 0,1
early_stopping_patience	Jika parameter ini diatur, pelatihan berhenti ketika tidak ada kemajuan yang dibuat dalam jumlah yang ditentukanepochs. Model yang memiliki kerugian terendah dikembalikan sebagai model akhir. Opsional Nilai yang valid: integer
embedding_dimension	Ukuran vektor penyematan yang dipelajari per fitur kategoris (nilai yang sama digunakan untuk semua fitur kategoris). Model DeepAR dapat mempelajari pola deret waktu tingkat grup ketika fitur pengelompokan kategoris disediakan. Untuk melakukan ini, model mempelajari vektor penyematan ukuran embedding_dimension untuk setiap grup, menangkap properti umum dari semua deret waktu dalam grup. Yang lebih besar embedding_dimension memungkinkan model untuk menangkap pola yang lebih kompleks. Namun, karena meningkatkan peningkatan jumlah parameter dalam model, lebih banyak data pelatihan diperlukan untuk mempelajari parameter ini secara akurat. embedding_dimension Nilai tipikal untuk parameter ini adalah antara 10-100. Opsional Nilai yang valid: bilangan bulat positif Nilai default: 10
learning_rate	Tingkat pembelajaran yang digunakan dalam pelatihan. Nilai tipikal berkisar dari 1e-4 hingga 1e-1. Opsional Nilai yang valid: float Nilai default: 1e-3
likelihood	Model menghasilkan perkiraan probabilistik, dan dapat memberikan kuantil distribusi dan sampel pengembalian. Bergantung pada data Anda, pilih kemungkinan yang sesuai (model kebisingan) yang digunakan untuk perkiraan ketidakpastian. Kemungkinan berikut dapat dipilih: gaussian: Gunakan untuk data bernilai nyata. beta: Gunakan untuk target bernilai nyata antara 0 dan 1 inklusif. negatif-binomial: Digunakan untuk menghitung data (bilangan bulat non-negatif). Student-T: Alternatif untuk data bernilai nyata yang berfungsi dengan baik untuk data yang meledak. Deterministic-L1: Fungsi kerugian yang tidak memperkirakan ketidakpastian dan hanya mempelajari perkiraan titik. Opsional Nilai yang valid: Salah satu gaussian, beta, negatif-binomial, student-T, atau deterministik-L1. Nilai default: student-T
mini_batch_size	Ukuran mini-batch yang digunakan selama pelatihan. Nilai tipikal berkisar dari 32 hingga 512. Opsional Nilai yang valid: bilangan bulat positif Nilai default: 128
num_cells	Jumlah sel yang digunakan di setiap lapisan tersembunyi RNN. Nilai tipikal berkisar antara 30 hingga 100. Opsional Nilai yang valid: bilangan bulat positif Nilai default: 40
num_dynamic_feat	Jumlah yang dynamic_feat disediakan dalam data. Setel ini auto untuk menyimpulkan jumlah fitur dinamis dari data. autoMode ini juga berfungsi ketika tidak ada fitur dinamis yang digunakan dalam kumpulan data. Ini adalah pengaturan yang disarankan untuk parameter. Untuk memaksa DeepAR untuk tidak menggunakan fitur dinamis, bahkan itu mereka hadir dalam data, diatur num_dynamic_feat ke. ignore Untuk melakukan validasi data tambahan, dimungkinkan untuk secara eksplisit mengatur parameter ini ke nilai integer yang sebenarnya. Misalnya, jika dua fitur dinamis disediakan, atur ini ke 2. Opsional Nilai yang valid:auto,ignore, bilangan bulat positif, atau string kosong Nilai default: auto
num_eval_samples	Jumlah sampel yang digunakan per deret waktu saat menghitung metrik akurasi pengujian. Parameter ini tidak memiliki pengaruh pada pelatihan atau model akhir. Secara khusus, model dapat ditanyakan dengan jumlah sampel yang berbeda. Parameter ini hanya mempengaruhi skor akurasi yang dilaporkan pada saluran tes setelah pelatihan. Nilai yang lebih kecil menghasilkan evaluasi yang lebih cepat, tetapi skor evaluasi biasanya lebih buruk dan lebih tidak pasti. Saat mengevaluasi dengan kuantil yang lebih tinggi, misalnya 0,95, mungkin penting untuk meningkatkan jumlah sampel evaluasi. Opsional Nilai yang valid: integer Nilai default: 100
num_layers	Jumlah lapisan tersembunyi di RNN. Nilai tipikal berkisar dari 1 hingga 4. Opsional Nilai yang valid: bilangan bulat positif Nilai default: 2
test_quantiles	Kuantil untuk menghitung kerugian kuantil pada saluran uji. Opsional Nilai yang valid: array float Nilai default: [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9]