DeepAR 하이퍼파라미터

파라미터 이름	설명
context_length	예측 생성 전 모델이 확인하는 시간 지점의 수입니다. 이 파라미터의 값은 prediction_length와 동일해야 합니다. 모델은 또한 대상으로부터 시차가 발생한 입력을 수신하기 때문에 context_length는 일반적인 계절성보다 작을 수 있습니다. 예를 들어 일별 시계열은 연도별 계절성을 보유할 수 있습니다. 모델은 자동으로 1년의 시차를 포함시키기 때문에 컨텍스트 길이는 1년보다 짧을 수 있습니다. 모델이 고르는 시차 값은 시계열의 빈도에 따라 다릅니다. 예를 들어 일별 빈도의 시차 값은 1주, 2주, 3주, 4주 및 1년입니다. 필수 유효한 값: 양수
epochs	교육 데이터의 최대 전달 횟수. 최적값은 데이터의 크기와 학습률에 따라 다릅니다. early_stopping_patience 섹션도 참조하세요. 일반적 값은 10~1000입니다. 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. prediction_length는 모델 훈련 시 고정되어 나중에 변경할 수 없습니다. 필수 유효한 값: 양수
time_freq	데이터 세트의 시계열 세부 수준. time_freq를 사용하여 적절한 날짜 요인(feature) 및 시차를 선택합니다. 모델은 다음 기본 빈도만 지원합니다. 또한 이러한 기본 빈도의 여러 번 반복도 지원합니다. 예를 들어, 5min은 5분의 빈도를 지정합니다. M: 월별 W: 주별 D: 일별 H: 시간별 min: 1분마다 필수 유효한 값: M, W, D, H, 또는 min 앞에 오는 정수. 예를 들어 5min.
cardinality	범주 요인(feature)(cat)을 사용하는 경우 cardinality는 범주 요인(feature)당 범주(그룹) 수를 지정하는 배열입니다. 데이터로부터 카디널리티를 추론하려면 이 값을 auto로 설정합니다. 또한 auto 모드는 데이터 세트에 범주 요인(feature)이 사용되지 않는 경우 작동합니다. 이는 파라미터에 대한 권장 설정입니다. 카디널리티를 ignore로 설정하면 데이터에 범주 요인(feature)이 있더라도 DeepAR에 해당 요인(feature)을 사용하지 않도록 강제합니다. 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 참조하십시오. 선택 유효한 값: auto, ignore, 양의 정수 배열, 빈 문자열 또는 기본값: auto
dropout_rate	교육 도중 사용할 드롭아웃 비율. 이 모델은 존아웃 정규화를 사용합니다. 각각의 반복에서 숨겨진 신경의 임의 하위 세트는 업데이트되지 않습니다. 일반적인 값은 0.2보다 작습니다. 선택 유효한 값: 부동 소수점 기본값: 0.1
early_stopping_patience	이 파라미터가 설정된 경우 epochs에서 지정된 횟수 내에 진행이 이루어지지 않은 경우 교육이 중단됩니다. 손실이 가장 적은 모델이 최종 모델로 반환됩니다. 선택 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 embedding_dimension인 임베딩 벡터를 학습하여 그룹의 모든 시계열에 있는 공통 속성을 캡처합니다. embedding_dimension의 크기가 클수록 모델이 더욱 복잡한 패턴을 캡처할 수 있습니다. 하지만 embedding_dimension이 증가하면 모델의 패턴 수가 증가하므로 이 파라미터를 정확하게 학습하려면 더 많은 교육 데이터가 필요합니다. 이 파라미터의 일반적인 값은 10~100입니다. 선택 유효한 값: 양수 기본값: 10
learning_rate	교육에 사용되는 학습률. 일반적 값은 1e-4에서 1e-1입니다. 선택 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. gaussian: 실제 값인 데이터에 사용합니다. beta: 0부터 1까지의 실제 값 대상에 사용합니다. negative-binomial: 카운트 데이터(음수가 아닌 정수)에 사용합니다. student-T: 급증하는 데이터에 유용한 실제 값 데이터의 대안. deterministic-L1: 불확실성을 추정하지 않고 지점 예측만을 학습하는 손실 함수. 선택 유효한 값: gaussian, beta, negative-binomial, student-T 또는 deterministic-L1 중 하나. 기본값: student-T
mini_batch_size	교육 도중 사용되는 미니 배치의 크기. 일반적 값은 32~512입니다. 선택 유효한 값: 양수 기본값: 128
num_cells	RNN의 각 은닉층에서 사용할 셀의 수. 일반적 값은 30~100입니다. 선택 유효한 값: 양수 기본값: 40
num_dynamic_feat	데이터에 제공된 dynamic_feat의 수. 데이터로부터 동적 요인(feature)의 수를 추론하려면 이 값을 auto로 설정합니다. 또한 auto 모드는 데이터 세트에 동적 요인(feature)이 사용되지 않는 경우 작동합니다. 이는 파라미터에 대한 권장 설정입니다. 동적 요인(feature)이 데이터에 있더라도 DeepAR에서 동적 요인(feature)을 사용하지 않도록 강제하려면 num_dynamic_feat를 ignore로 설정합니다. 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 유효한 값: auto, ignore, 양의 정수 또는 빈 문자열 기본값: auto
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 유효한 값: 정수 기본값: 100
num_layers	RNN의 은닉층 수. 일반적 값은 1~4입니다. 선택 유효한 값: 양수 기본값: 2
test_quantiles	test 채널에서 분위 손실을 계산할 분위. 선택 유효한 값: 부동 소수점 어레이 기본값: [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9]