Ajustar um modelo DeepAR

O ajuste de modelo automático, também conhecido como ajuste de hiperparâmetros, localiza a melhor versão de um modelo executando vários trabalhos que testam uma série de hiperparâmetros no seu conjunto de dados. Você escolhe os hiperparâmetros ajustáveis, um intervalo de valores para cada um e uma métrica objetiva. Você escolhe a métrica objetiva entre as métricas que o algoritmo calcula. O ajuste de modelo automático pesquisa os hiperparâmetros escolhidos para encontrar a combinação de valores que resultam no modelo que otimiza a métrica objetiva.

Para mais informações sobre o ajuste de modelos, consulte Execute o ajuste automático do modelo com SageMaker.

Métricas calculadas pelo algoritmo DeepAR

O algoritmo DeepAR relata três métricas, que são calculadas durante o treinamento. Ao ajustar um modelo, escolha uma delas como o objetivo. Para o objetivo, use a precisão da previsão em um canal de teste fornecido (recomendado) ou a perda de treinamento. Para recomendações sobre a divisão de treinamento/teste para o algoritmo DeepAR, consulte Melhores práticas para usar o algoritmo DeepAR.

Nome da métrica	Descrição	Direção de otimização
test:RMSE	O erro quadrático médio entre a previsão e o destino real computado no conjunto de testes.	Minimizar
test:mean_wQuantileLoss	As perdas médias globais de quantil calculadas no conjunto de testes. Para controlar quais quantis são usados, defina o hiperparâmetro test_quantiles.	Minimizar
train:final_loss	A perda de verossimilhança de log negativa de treinamento cuja média foi calculada no último epoch de treinamento para o modelo.	Minimizar

Hyperparameters ajustáveis para o algoritmo DeepAR

Ajuste um modelo DeepAR com os seguintes hiperparâmetros. Os hiperparâmetros que têm o maior impacto, listados na ordem do maior até o menor impacto, em métricas objetivas do DeepAR são: epochs, context_length, mini_batch_size, learning_rate e num_cells.

Nome do parâmetro	Tipo de parâmetro	Intervalos recomendados
epochs	IntegerParameterRanges	MinValue: 1, MaxValue: 1000
context_length	IntegerParameterRanges	MinValue: 1, MaxValue: 200
mini_batch_size	IntegerParameterRanges	MinValue: 32, MaxValue: 1028
learning_rate	ContinuousParameterRange	MinValue: 1e-5, MaxValue: 1e-1
num_cells	IntegerParameterRanges	MinValue: 30, MaxValue: 200
num_layers	IntegerParameterRanges	MinValue: 1, MaxValue: 8
dropout_rate	ContinuousParameterRange	MinValue: 0.00, MaxValue: 0.2
embedding_dimension	IntegerParameterRanges	MinValue: 1, MaxValue: 50