ForecastingSettings Classe
Definições de previsão para uma Tarefa de AutoML.
- Herança
-
azure.ai.ml.entities._mixins.RestTranslatableMixinForecastingSettings
Construtor
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)
Parâmetros
Name | Description |
---|---|
country_or_region_for_holidays
Necessário
|
O país/região utilizado para gerar funcionalidades de feriados. Devem ser iso 3166 código de país/região de duas letras, por exemplo "EUA" ou "GB". |
cv_step_size
Necessário
|
Número de períodos entre o origin_time de uma dobra cv e a dobra seguinte. Por exemplo, se n_step = 3 para dados diários, a hora de origem de cada dobra terá três dias de diferença. |
forecast_horizon
Necessário
|
O horizonte de previsão máximo pretendido em unidades de frequência de série temporal. O valor predefinido é 1. As unidades baseiam-se no intervalo de tempo dos dados de preparação, por exemplo, mensalmente, semanalmente, que o meteorologista deve prever. Quando o tipo de tarefa é previsto, este parâmetro é necessário. Para obter mais informações sobre como definir parâmetros de previsão, veja Preparar automaticamente um modelo de previsão de série temporal. |
target_lags
Necessário
|
O número de períodos anteriores a desfasar da coluna de destino. Por predefinição, os atrasos estão desativados. Ao prever, este parâmetro representa o número de linhas a desfasar os valores de destino com base na frequência dos dados. Isto é representado como uma lista ou um único número inteiro. O atraso deve ser utilizado quando a relação entre as variáveis independentes e a variável dependente não corresponder ou correlacionar por predefinição. Por exemplo, ao tentar prever a procura de um produto, a procura em qualquer mês pode depender do preço de mercadorias específicas 3 meses antes. Neste exemplo, poderá querer atrasar negativamente o destino (procura) em 3 meses para que o modelo esteja a preparar a relação correta. Para obter mais informações, veja Preparar automaticamente um modelo de previsão de série temporal. Tenha em atenção a deteção automática de atrasos de destino e o tamanho da janela temporal. Veja os comentários correspondentes na secção de janela temporal. Utilizamos o algoritmo seguinte para detetar o desfasamento ideal do destino e o tamanho da janela temporal.
|
target_rolling_window_size
Necessário
|
O número de períodos anteriores utilizados para criar uma média de janela temporal da coluna de destino. Ao prever, este parâmetro representa n períodos históricos a utilizar para gerar valores previstos, <= tamanho do conjunto de preparação. Se omitido, n é o tamanho completo do conjunto de preparação. Especifique este parâmetro quando quiser considerar apenas uma determinada quantidade de histórico ao preparar o modelo. Se estiver definido como "automático", a janela temporal será estimada como o último valor em que o PACF é mais, então o limiar de significância. Consulte target_lags secção para obter detalhes. |
frequency
Necessário
|
Frequência de previsão. Ao prever, este parâmetro representa o período com o qual a previsão é desejada, por exemplo, diariamente, semanalmente, anualmente, etc. A frequência de previsão é a frequência do conjunto de dados por predefinição. Opcionalmente, pode defini-lo para maior (mas não menor) do que a frequência dos conjuntos de dados. Vamos agregar os dados e gerar os resultados com frequência de previsão. Por exemplo, para dados diários, pode definir a frequência para ser diária, semanal ou mensal, mas não por hora. A frequência tem de ser um alias de deslocamento do pandas. Veja a documentação do pandas para obter mais informações: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects |
feature_lags
Necessário
|
Sinalizador para gerar atrasos para as funcionalidades numéricas com "auto" ou Nenhum. |
seasonality
Necessário
|
Defina a sazonalidade de série temporal como um múltiplo inteiro da frequência da série. Se a sazonalidade estiver definida como "automática", será inferida. Se estiver definida como Nenhuma, a série temporal é assumida como não sazonal, o que é equivalente a sazonalidade=1. |
use_stl
Necessário
|
Configure a Decomposição de STL da coluna de destino da série temporal. use_stl pode levar três valores: Nenhum (predefinição) - sem decomposição stl, 'temporada' - apenas gerar componente de estação e season_trend - gerar componentes de estação e tendência. |
short_series_handling_config
Necessário
|
O parâmetro que define como se o AutoML deve processar séries de tempo curtos. Valores possíveis: "auto" (predefinição), "pad", "drop" e None.
Data numeric_value string destino 2020-01-01 23 green 55 O resultado pressupõe que o número mínimo de valores é quatro: Data numeric_value string destino 2019-12-29 0 ND 55.1 2019-12-30 0 ND 55.6 2019-12-31 0 ND 54.5 2020-01-01 23 green 55 Nota: Temos dois parâmetros short_series_handling_configuration e short_series_handling legados. Quando ambos os parâmetros estão definidos, estamos a sincronizá-los conforme mostrado na tabela abaixo (short_series_handling_configuration e short_series_handling para brevidade são marcados como handling_configuration e a processar, respetivamente). processamento processar a configuração processamento resultante processamento resultanteconfiguração Verdadeiro auto Verdadeiro auto Verdadeiro teclado Verdadeiro auto Verdadeiro drop Verdadeiro auto Verdadeiro Nenhuma Falso Nenhuma Falso auto Falso Nenhuma Falso teclado Falso Nenhuma Falso drop Falso Nenhuma Falso Nenhuma Falso Nenhuma |
target_aggregate_function
Necessário
|
A função a ser utilizada para agregar a coluna de destino da série temporal para estar em conformidade com uma frequência especificada por um utilizador. Se o target_aggregation_function estiver definido, mas o parâmetro freq não estiver definido, o erro será gerado. As possíveis funções de agregação de destino são: "sum", "max", "min" e "mean".
freq target_aggregation_function Mecanismo de regularidade de dados Nenhum (Predefinição) Nenhum (Predefinição) A agregação não é aplicada. Se não for possível determinar a validfrequência, o erro será gerado. Algum Valor Nenhum (Predefinição) A agregação não é aplicada. Se o número de pontos de dados conformes a determinadas grelhas de frequência for menor, 90% destes pontos serão removidos, caso contrário, o erro será gerado. Nenhum (Predefinição) Função de agregação O erro sobre os parâmetros missingfrequency é gerado. Algum Valor Função de agregação Agregar à frequência utilizando a função de agregação processada. |
time_column_name
Necessário
|
O nome da coluna time. Este parâmetro é necessário ao prever para especificar a coluna datetime nos dados de entrada utilizados para criar a série temporal e inferir a respetiva frequência. |
time_series_id_column_names
Necessário
|
Os nomes das colunas utilizadas para agrupar uma série de horas. Pode ser utilizado para criar várias séries. Se os nomes das colunas de ID da série temporal não estiverem definidos ou as colunas do identificador especificadas não identificarem todas as séries no conjunto de dados, os identificadores da série temporal serão criados automaticamente para o conjunto de dados. |
features_unknown_at_forecast_time
Necessário
|
As colunas de funcionalidades disponíveis para preparação, mas desconhecidas no momento da previsão/inferência. Se features_unknown_at_forecast_time estiver definido como uma lista vazia, presume-se que todas as colunas de funcionalidades no conjunto de dados são conhecidas no momento da inferência. Se este parâmetro não estiver definido, o suporte para funcionalidades futuras não está ativado. |
Parâmetros Só de Palavra-Chave
Name | Description |
---|---|
country_or_region_for_holidays
Necessário
|
|
cv_step_size
Necessário
|
|
forecast_horizon
Necessário
|
|
target_lags
Necessário
|
|
target_rolling_window_size
Necessário
|
|
frequency
Necessário
|
|
feature_lags
Necessário
|
|
seasonality
Necessário
|
|
use_stl
Necessário
|
|
short_series_handling_config
Necessário
|
|
target_aggregate_function
Necessário
|
|
time_column_name
Necessário
|
|
time_series_id_column_names
Necessário
|
|
features_unknown_at_forecast_time
Necessário
|
|
Azure SDK for Python
Comentários
https://aka.ms/ContentUserFeedback.
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja:Submeter e ver comentários