入门指南（Python 笔记本电脑）

注意

有关使用 Python 笔记本的完整教程列表，请参阅亚马逊 Forecast Github 示例页面。

要开始在 Python 笔记本上使用 Amazon Forecast API，请参阅入门教程。本教程将指导您从头到尾完成Forecast 的核心步骤。

有关特定流程的基本教程，请参阅以下 Python 笔记本：

1. 准备数据-准备数据集、创建数据集组、定义架构和导入数据集组。

2. 构建Forecas t 变量-根据导入到预测数据集的数据训练预测变量。

3. 评估预测变量-获得预测、可视化预测并比较结果。

4. 再训练预测变量-使用更新的数据重新训练现有预测变量。

5. 升级至 AutoPredictor-将传统预测变量升级为 AutoPredictor。

6. 清理-删除教程中创建的数据集组、预测变量和预测。

要重复使用 AutoML 的入门教程，请参阅 AutoML 入门。

高级教程

有关更多高级教程，请参阅以下 Python 笔记本：

• 项目层面的可解释性-了解数据集属性如何影响特定时间序列和时间点的预测。

• 比较多个模型-使用 Prophet、ETS 和 DeepAR + 创建预测变量，并通过可视化结果来比较它们的性能。

• 冷启动预测-使用项目元数据和 DeepAR + 算法预测冷启动情景（历史数据很少或根本没有）。

• 合并相关的时间序列数据集-使用相关的时间序列数据集来提高模型的准确性。

• 合并项目元数据-使用项目元数据来提高模型的准确性。

• 使用天气指数-在训练预测变量时，使用天气指数来合并历史和预计的天气信息。

• 进行假设分析-探索不同的定价情景并评估其对需求的影响。

• 评估项目级别的准确性-导出回测指标和预测，并评估预测变量的项目级绩效。