ForecastingSettings Sınıf

AutoML İşi için tahmin ayarları.

Devralma

azure.ai.ml.entities._mixins.RestTranslatableMixin

ForecastingSettings

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	Optional[str] Tatil özellikleri oluşturmak için kullanılan ülke/bölge. Bunlar ISO 3166 iki harfli ülke/bölge kodu olmalıdır, örneğin "ABD" veya "GB".
cv_step_size Gerekli	Optional[int] 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	Optional[Union[int, str]] 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	Union[str, int, List[int]] 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. Geriye bakma özelliği seçimi için maksimum gecikme sırasını tahmin edin. Bizim örneğimizde bir sonraki tarih sıklığı ayrıntı düzeyine kadar olan dönem sayısıdır; örneğin sıklık günlükse bir hafta (7), hafta ise ay (4) olur. Bu değerlerin iki ile çarpılması, gecikme/hareketli pencerelerin mümkün olan en büyük değerleridir. Örneklerimizde sırasıyla 14 ve 8 maksimum gecikme sırasını dikkate alacaktır). Eğilim ve artık bileşenler ekleyerek mevsimselleştirilmiş bir seri oluşturun. Bu, sonraki adımda kullanılacaktır. (2) verilerinde PACF - Kısmi Otomatik Bağıntı İşlevi'ni tahmin edin ve noktaları arayın; burada otomatik bağıntı önemlidir; yani mutlak değeri daha fazladır ve %95'in önemine karşılık gelen 1,96/square_root(maksimum gecikme değeri). Tüm noktalar önemliyse, bunu güçlü mevsimsellik olarak değerlendiririz ve geriye dönüp bakma özellikleri oluşturmayız. PACF değerlerini baştan tararız ve ilk önemsiz otomatik bağıntıdan önceki değer gecikmeyi belirleyecektir. İlk önemli öğe (değer kendisiyle bağıntılı) ve ardından önemsiz bir öğe gelirse, gecikme 0 olur ve geçmişe bakma özelliklerini kullanmayız.
target_rolling_window_size Gerekli	Optional[Union[str, int]] 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	Optional[str] 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	Optional[str] 'auto' veya None ile sayısal özellikler için gecikme oluşturma bayrağı.
seasonality Gerekli	Optional[Union[int, str]] 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	Optional[str] 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	Optional[str] AutoML'nin kısa zaman serisini nasıl işleyeceklerini tanımlayan parametre. Olası değerler: 'auto' (varsayılan), 'pad', 'drop' ve None. otomatik kısa seri, uzun seri yoksa doldurulur, aksi takdirde kısa seri bırakılır. tuş takımı tüm kısa seriler doldurulacaktır. tüm kısa seriler bırakılacaktır". Hiçbiri kısa seri değiştirilmez. 'pad' olarak ayarlanırsa tablo, verilen zaman serisi kimliği için ortalama hedef değere eşit ortanca değere sahip hedef için regresörler ve rastgele değerler için sıfırlar ve boş değerlerle doldurulur. Ortanca değer sıfırdan büyük veya sıfıra eşitse, minimum doldurulmuş değer sıfıra kırpılır. Giriş: 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	str 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". Hedef sütun değerleri, belirtilen işleme göre toplanır. Genellikle toplam çoğu senaryo için uygundur. Verilerinizdeki sayısal tahmin aracı sütunları toplam, ortalama, minimum değer ve maksimum değere göre toplanır. Sonuç olarak, otomatik ML toplama işlevi adıyla ekli yeni sütunlar oluşturur ve seçili toplama işlemini uygular. Kategorik tahmin sütunları için veriler, penceredeki en belirgin kategori olan moda göre toplanır. Tarih tahmincisi sütunları minimum değer, en büyük değer ve mod tarafından toplanır. 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	Optional[str] 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	Union[str, List[str]] 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	Optional[Union[str, List[str]]] 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