ForecastingSettings Sınıf
AutoML İşi için tahmin ayarları.
- Devralma
-
azure.ai.ml.entities._mixins.RestTranslatableMixinForecastingSettings
Oluşturucu
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)
Parametreler
Name | Description |
---|---|
country_or_region_for_holidays
Gerekli
|
Tatil özellikleri oluşturmak için kullanılan ülke/bölge. Bunlar ISO 3166 iki harfli ülke/bölge kodu olmalıdır, örneğin "ABD" veya "GB". |
cv_step_size
Gerekli
|
Bir CV katlama ile bir sonraki katlamanın origin_time arasındaki dönem sayısı. Örneğin, günlük veriler için n_step = 3 ise, her katlamanın çıkış süresi üç gün arayla olur. |
forecast_horizon
Gerekli
|
Zaman serisi sıklığı birimleri cinsinden istenen maksimum tahmin ufku. Varsayılan değer 1’dir. Birimler, eğitim verilerinizin zaman aralığına (örn. tahminde bulunanın tahmin etmesi gereken aylık, haftalık) bağlıdır. Görev türü tahmin edilirken bu parametre gereklidir. Tahmin parametrelerini ayarlama hakkında daha fazla bilgi için bkz. Zaman serisi tahmin modelini otomatik olarak eğitme. |
target_lags
Gerekli
|
Hedef sütundan geri alınacak geçmiş dönemlerin sayısı. Gecikmeler varsayılan olarak kapalıdır. Tahmin yaparken, bu parametre verilerin sıklığına bağlı olarak hedef değerlerin gecikmesi için satır sayısını temsil eder. Bu, bir liste veya tek bir tamsayı olarak temsil edilir. Bağımsız değişkenler ile bağımlı değişken arasındaki ilişki varsayılan olarak eşleşmediğinde veya ilişkilendirilmediğinde gecikme kullanılmalıdır. Örneğin, bir ürünün talebini tahmin etmeye çalışırken, herhangi bir aydaki talep, 3 ay önceki belirli emtiaların fiyatına bağlı olabilir. Bu örnekte, modelin doğru ilişki üzerinde eğitim görebilmesi için hedefi (talebi) 3 ay gecikmeli olarak geçirmek isteyebilirsiniz. Daha fazla bilgi için bkz. Zaman serisi tahmin modelini otomatik olarak eğitme. Hedef gecikmelerin ve sıralı pencere boyutunun otomatik olarak algılanmasıyla ilgili not. Lütfen sıralı pencere bölümünde ilgili yorumlara bakın. En uygun hedef gecikmesini ve sıralı pencere boyutunu algılamak için bir sonraki algoritmayı kullanırız.
|
target_rolling_window_size
Gerekli
|
Hedef sütunun sıralı pencere ortalamasını oluşturmak için kullanılan geçmiş dönemlerin sayısı. Tahmin yaparken, bu parametre tahmin edilen değerleri oluşturmak için kullanılacak n geçmiş dönemi , <= eğitim kümesi boyutunu temsil eder. Belirtilmezse , n tam eğitim kümesi boyutudur. Modeli eğitirken yalnızca belirli bir geçmiş miktarını göz önünde bulundurmak istediğinizde bu parametreyi belirtin. 'otomatik' olarak ayarlanırsa, sıralı pencere PACF'nin anlam eşiğinden daha fazla olduğu son değer olarak tahmin edilir. Ayrıntılar için lütfen target_lags bölüme bakın. |
frequency
Gerekli
|
Tahmin sıklığı. Tahmin yaparken, bu parametre tahminin istendiği dönemi (örneğin, günlük, haftalık, yıllık vb.) temsil eder. Tahmin sıklığı varsayılan olarak veri kümesi sıklığıdır. İsteğe bağlı olarak bunu veri kümesi sıklığından daha büyük (ancak daha küçük değil) olarak ayarlayabilirsiniz. Verileri toplayarak sonuçları tahmin sıklığında oluşturacağız. Örneğin, günlük veriler için sıklığı günlük, haftalık veya aylık olarak ayarlayabilirsiniz ancak saatlik olarak ayarlayamayabilirsiniz. Sıklığın pandas uzaklık diğer adı olması gerekir. Daha fazla bilgi için lütfen pandas belgelerine bakın: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects |
feature_lags
Gerekli
|
'auto' veya None ile sayısal özellikler için gecikme oluşturma bayrağı. |
seasonality
Gerekli
|
Zaman serisi mevsimselliğini, seri sıklığının tamsayı katı olarak ayarlayın. Mevsimsellik 'otomatik' olarak ayarlanırsa, çıkarsanır. Hiçbiri olarak ayarlanırsa, zaman serisi mevsimsellik dışı kabul edilir ve bu da mevsimsellik=1 ile eşdeğerdir. |
use_stl
Gerekli
|
Zaman serisi hedef sütununun STL Ayrıştırma'sını yapılandırın. use_stl üç değer alabilir: Yok (varsayılan) - ayrıştırma yok, 'sezon' - yalnızca sezon bileşeni ve season_trend oluştur - hem mevsim hem de eğilim bileşenlerini oluşturun. |
short_series_handling_config
Gerekli
|
AutoML'nin kısa zaman serisini nasıl işleyeceklerini tanımlayan parametre. Olası değerler: 'auto' (varsayılan), 'pad', 'drop' ve None.
Date numeric_value Dize Hedef 2020-01-01 23 green 55 Minimum değer sayısının dört olduğunu varsayarsak çıkış: Date numeric_value Dize Hedef 2019-12-29 0 NA 55.1 2019-12-30 0 NA 55.6 2019-12-31 0 NA 54.5 2020-01-01 23 green 55 Not: short_series_handling_configuration ve eski short_series_handling iki parametremiz vardır. Her iki parametre de ayarlandığında, bunları aşağıdaki tabloda gösterildiği gibi eşitleriz (short_series_handling_configuration ve kısaltma için short_series_handling sırasıyla handling_configuration ve işleme olarak işaretlenir). Işleme yapılandırmayı işleme sonuçta elde edilen işleme sonuçta elde edilen işleme yapılandırması Doğru auto Doğru auto Doğru Pad Doğru auto Doğru drop Doğru auto Doğru Hiçbiri Yanlış Hiçbiri Yanlış auto Yanlış Hiçbiri Yanlış Pad Yanlış Hiçbiri Yanlış drop Yanlış Hiçbiri Yanlış Hiçbiri Yanlış Hiçbiri |
target_aggregate_function
Gerekli
|
Zaman serisi hedef sütununu kullanıcının belirtilen sıklığına uyacak şekilde toplamak için kullanılacak işlev. target_aggregation_function ayarlanmışsa ancak freq parametresi ayarlanmadıysa hata oluşur. Olası hedef toplama işlevleri şunlardır: "sum", "max", "min" ve "mean".
Frekans target_aggregation_function Veri düzenliliği düzeltme mekanizması Hiçbiri (Varsayılan) Hiçbiri (Varsayılan) Toplama uygulanmaz. Geçerlifrekans belirlenemezse hata oluşur. Bazı Değerler Hiçbiri (Varsayılan) Toplama uygulanmaz. Verilen sıklık kılavuzları ile uyumlu olan veri noktalarının sayısı daha azsa bu noktaların %90'ı kaldırılır, aksi takdirde hata oluşur. Hiçbiri (Varsayılan) Toplama işlevi Missingfrequency parametresiyle ilgili hata oluştu. Bazı Değerler Toplama işlevi Toplamadan sıklık düzeyine toplama işlevini kullanarak toplama. |
time_column_name
Gerekli
|
Saat sütununun adı. Bu parametre, zaman serisini oluşturmak ve sıklığını çıkarsamak için kullanılan giriş verilerinde tarih saat sütununu belirtmek için tahminde bulunurken gereklidir. |
time_series_id_column_names
Gerekli
|
Zaman zamanlarını gruplandırmak için kullanılan sütunların adları. Birden çok seri oluşturmak için kullanılabilir. Zaman serisi kimliği sütun adları tanımlanmamışsa veya belirtilen tanımlayıcı sütunları veri kümesindeki tüm serileri tanımlamazsa, zaman serisi tanımlayıcıları veri kümeniz için otomatik olarak oluşturulur. |
features_unknown_at_forecast_time
Gerekli
|
Eğitim için kullanılabilen ancak tahmin/çıkarım sırasında bilinmeyen özellik sütunları. features_unknown_at_forecast_time boş bir listeye ayarlanırsa, veri kümesindeki tüm özellik sütunlarının çıkarım zamanında bilindiği varsayılır. Bu parametre ayarlanmadıysa gelecekteki özellikler için destek etkinleştirilmez. |
Yalnızca Anahtar Sözcük Parametreleri
Name | Description |
---|---|
country_or_region_for_holidays
Gerekli
|
|
cv_step_size
Gerekli
|
|
forecast_horizon
Gerekli
|
|
target_lags
Gerekli
|
|
target_rolling_window_size
Gerekli
|
|
frequency
Gerekli
|
|
feature_lags
Gerekli
|
|
seasonality
Gerekli
|
|
use_stl
Gerekli
|
|
short_series_handling_config
Gerekli
|
|
target_aggregate_function
Gerekli
|
|
time_column_name
Gerekli
|
|
time_series_id_column_names
Gerekli
|
|
features_unknown_at_forecast_time
Gerekli
|
|
Azure SDK for Python
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin