ForecastingSettings Clase
Configuración de previsión de un trabajo de AutoML.
- Herencia
-
azure.ai.ml.entities._mixins.RestTranslatableMixinForecastingSettings
Constructor
ForecastingSettings(*, country_or_region_for_holidays: str | None = None, cv_step_size: int | None = None, forecast_horizon: str | int | None = None, target_lags: str | int | List[int] | None = None, target_rolling_window_size: str | int | None = None, frequency: str | None = None, feature_lags: str | None = None, seasonality: str | int | None = None, use_stl: str | None = None, short_series_handling_config: str | None = None, target_aggregate_function: str | None = None, time_column_name: str | None = None, time_series_id_column_names: str | List[str] | None = None, features_unknown_at_forecast_time: str | List[str] | None = None)
Parámetros
Nombre | Description |
---|---|
country_or_region_for_holidays
Requerido
|
País o región que se usa para generar características de vacaciones. Debe ser el código ISO 3166 de país o región de dos letras, por ejemplo, "US" o "GB". |
cv_step_size
Requerido
|
Número de períodos entre origin_time de un plegado CV y el siguiente plegado. Por ejemplo, si n_step = 3 para los datos diarios, la hora de origen de cada plegado será de tres días de diferencia. |
forecast_horizon
Requerido
|
Horizonte de previsión máximo deseado en unidades de frecuencia de la serie temporal. El valor predeterminado es 1. Las unidades se basan en el intervalo de tiempo de los datos de entrenamiento, p. ej., semanales, mensuales, que debe predecir el pronosticador. Cuando el tipo de tarea es previsión, se requiere este parámetro. Para más información sobre cómo establecer los parámetros de previsión, consulte Configuración de AutoML para entrenar un modelo de previsión de series temporales con Python. |
target_lags
Requerido
|
Número de períodos pasados para retrasar desde la columna de destino. De forma predeterminada, los retrasos están desactivados. Al pronosticar, este parámetro representa el número de filas para retrasar de los valores de destino en función de la frecuencia de los datos. Se representa como una lista o un entero único. El retardo se debe usar cuando la relación entre las variables independientes y la variable dependiente no coincide o está en correlación de forma predeterminada. Por ejemplo, al intentar pronosticar la demanda de un producto, la demanda de cualquier mes puede depender del precio de determinados artículos 3 meses antes. En este ejemplo, es posible que desee retrasar el destino (demanda) negativamente en 3 meses para que el modelo esté entrenando en la relación correcta. Para más información, consulte Configuración de AutoML para entrenar un modelo de previsión de series temporales con Python. Tenga en cuenta la detección automática de los límites de destino y el tamaño de la ventana gradual. Consulte los comentarios correspondientes en la sección de ventana gradual. Usamos el siguiente algoritmo para detectar el retraso de destino óptimo y el tamaño de ventana gradual.
|
target_rolling_window_size
Requerido
|
Número de períodos pasados usados para crear un promedio de ventana gradual de la columna de destino. Al pronosticar, este parámetro representa n períodos históricos que se usarán para generar valores previstos, <= tamaño del conjunto de entrenamiento. Si se omite, n es el tamaño total del conjunto de entrenamiento. Especifique este parámetro si solo desea tener en cuenta una determinada cantidad de historial al entrenar el modelo. Si se establece en "auto", la ventana gradual se calculará como el último valor donde el PACF es más que el umbral de importancia. Consulte target_lags section para obtener más información. |
frequency
Requerido
|
Frecuencia de pronóstico. Al pronosticar, este parámetro representa el período con el que se desea la previsión, por ejemplo, diaria, semanal, anual, etc. La frecuencia de previsión es la frecuencia del conjunto de datos de manera predeterminada. Opcionalmente, puede establecerla en un valor mayor (pero no menor) que la frecuencia del conjunto de datos. Agregaremos los datos y generaremos los resultados con la frecuencia de previsión. Por ejemplo, para los datos diarios, puede establecer la frecuencia para que sea diaria, semanal o mensual, pero no cada hora. La frecuencia debe ser un alias de desplazamiento de Pandas. Vea la documentación de Pandas para obtener más información: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects. |
feature_lags
Requerido
|
Marca para generar intervalos para las características numéricas con "auto" o None. |
seasonality
Requerido
|
Establezca la estacionalidad de la serie temporal como un múltiplo entero de la frecuencia de la serie. Si la estacionalidad se establece en "auto", se infiere. Si se establece en Ninguno, se supone que la serie temporal no es estacional, lo que equivale a estacionalidad=1. |
use_stl
Requerido
|
Configura la descomposición de STL de la columna de destino de la serie temporal. use_stl puede tomar tres valores: None (valor predeterminado), sin descomposición de STL, "season", solo para generar componente de temporadas y "season_trend", para generar componentes de temporada y tendencias. |
short_series_handling_config
Requerido
|
Parámetro que define si AutoML debe controlar series temporales cortas. Valores posibles: "auto" (valor predeterminado), "pad", "drop" y "None".
Date numeric_value string Destino 01-01-2020 23 green 55 Salida que da por sentado que el número mínimo de valores es cuatro: Date numeric_value string Destino 2019-12-29 0 N/D 55.1 2019-12-30 0 N/D 55.6 2019-12-31 0 N/D 54.5 01-01-2020 23 green 55 Nota: Tenemos dos parámetros short_series_handling_configuration y short_series_handling heredado. Cuando se establecen ambos parámetros, se sincronizan como se muestra en la tabla siguiente (short_series_handling_configuration y short_series_handling por motivos de brevedad se marcan como handling_configuration y handling respectivamente). Manejo control de la configuración control resultante control resultanteconfiguración True auto True auto True Almohadilla True auto True drop True auto True Ninguno False None False auto False None False Almohadilla False None False drop False None False None False None |
target_aggregate_function
Requerido
|
Función que se usará para agregar la columna de destino de serie temporal según la frecuencia especificada por el usuario. Si target_aggregation_function está establecido, pero el parámetro freq no lo está, se produce el error. Las posibles funciones de agregación de destino son: "sum", "max", "min" y "mean".
Freq target_aggregation_function Mecanismo de regularidad de datos Ninguno (predeterminado) Ninguno (predeterminado) La agregación no se aplica. Si la frecuencia válida no puede ser válida, se generará el error. Algún valor Ninguno (predeterminado) La agregación no se aplica. Si el número de puntos de datos compatibles con la cuadrícula de frecuencia dada es menor, se quitará el 90 % de estos puntos; de lo contrario, se generará el error. Ninguno (predeterminado) Función de agregación Se ha producido el error sobre los parámetros defrequency que faltan. Algún valor Función de agregación Agregado a frecuencia mediante la función de agregaciónprovidida. |
time_column_name
Requerido
|
Nombre de la columna de hora. Este parámetro es obligatorio en la previsión para especificar la columna de fecha y hora en los datos de entrada que se usa para crear la serie temporal e inferir su frecuencia. |
time_series_id_column_names
Requerido
|
Nombres de las columnas que se usan para agrupar una serie temporal. Se puede usar para crear varias series. Si no se definen los nombres de columna del identificador de serie temporal o las columnas de identificador especificadas no identifican todas las series del conjunto de datos, los identificadores de serie temporal se crearán automáticamente para el conjunto de datos. |
features_unknown_at_forecast_time
Requerido
|
Columnas de características disponibles para el entrenamiento pero desconocidas en el momento de la previsión o la inferencia. Si features_unknown_at_forecast_time se establece en una lista vacía, se supone que todas las columnas de características del conjunto de datos se conocen en tiempo de inferencia. Si este parámetro no está establecido, la compatibilidad con características futuras no está habilitada. |
Parámetros de solo palabra clave
Nombre | Description |
---|---|
country_or_region_for_holidays
Requerido
|
|
cv_step_size
Requerido
|
|
forecast_horizon
Requerido
|
|
target_lags
Requerido
|
|
target_rolling_window_size
Requerido
|
|
frequency
Requerido
|
|
feature_lags
Requerido
|
|
seasonality
Requerido
|
|
use_stl
Requerido
|
|
short_series_handling_config
Requerido
|
|
target_aggregate_function
Requerido
|
|
time_column_name
Requerido
|
|
time_series_id_column_names
Requerido
|
|
features_unknown_at_forecast_time
Requerido
|
|
Azure SDK for Python
Comentarios
https://aka.ms/ContentUserFeedback.
Próximamente: A lo largo de 2024 iremos eliminando gradualmente GitHub Issues como mecanismo de comentarios sobre el contenido y lo sustituiremos por un nuevo sistema de comentarios. Para más información, vea:Enviar y ver comentarios de