ForecastingParameters Classe
Gérer les paramètres utilisés par les tâches de prévision.
- Héritage
-
builtins.objectForecastingParameters
Constructeur
ForecastingParameters(time_column_name: str | None = None, forecast_horizon: str | int = 1, time_series_id_column_names: str | List[str] | None = None, group_column_names: str | List[str] | None = None, target_lags: List[int] | int | str | None = None, feature_lags: str | None = None, target_rolling_window_size: str | int | None = None, holiday_country: str | None = None, seasonality: str | int | None = 'auto', country_or_region_for_holidays: str | None = None, use_stl: str | None = None, short_series_handling: bool = True, short_series_handling_configuration: str | None = 'auto', freq: str | None = None, target_aggregation_function: str | None = None, cv_step_size: str | int | None = 'auto', features_unknown_at_forecast_time: str | List[str] | None = None, validate_parameters: bool = True, _enable_future_regressors: bool = False, **kwargs: Any)
Paramètres
- time_column_name
- str
Nom de la colonne d’heure. Ce paramètre permet de spécifier la colonne DateHeure dans les données d’entrée utilisées pour la génération de la série chronologique et la déduction de sa fréquence.
Horizon maximal de prévision souhaité en unités de fréquence de série chronologique. La valeur par défaut est 1.
Les unités sont basées sur l’intervalle de temps de vos données d’entraînement (par ex., mensuelles, hebdomadaires) que l’analyste doit prévoir. Quand la tâche est de type prévision, ce paramètre est obligatoire. Pour plus d’informations sur la définition des paramètres de prévision, consultez Entraîner automatiquement un modèle de prévision de série chronologique.
Noms des colonnes utilisées pour regrouper une série chronologique. Elle permet de créer plusieurs séries. Si les noms de colonnes de l’ID de la série chronologique ne sont pas définis ou si les colonnes d’identificateur spécifiées n’identifient pas toutes les séries du jeu de données, les identificateurs de série chronologique seront automatiquement créés pour votre jeu de données.
Nombre de périodes passées à décaler par rapport à la colonne cible. Par défaut, les latences sont désactivées.
Pendant la prévision, ce paramètre correspond au nombre de lignes dont les valeurs cibles doivent être décalées en fonction de la fréquence des données. Ce paramètre est représenté sous la forme d’une liste ou d’un entier unique. Un décalage est nécessaire en l’absence de correspondance ou de corrélation par défaut des relations entre les variables indépendantes et la variable dépendante. Par exemple, quand vous essayez de prévoir la demande d’un produit, la demande mensuelle peut dépendre du prix de certaines matières premières trois mois auparavant. Dans ce cas, vous pouvez appliquer un décalage négatif de trois mois à la cible (la demande) afin que le modèle soit entraîné sur la relation appropriée. Pour plus d’informations, consultez Entraîner automatiquement un modèle de prévision de série chronologique.
Remarque sur la détection automatique des décalages cibles et de la taille de fenêtre dynamique. Consultez les commentaires correspondants dans la section de la fenêtre dynamique. Nous utilisons l’algorithme suivant pour détecter la latence cible optimale et la taille de fenêtre dynamique.
Estimez l’ordre de latence maximale pour la sélection de la fonctionnalité de consultation. Dans notre cas, il s’agit du nombre de périodes jusqu’à la granularité de la fréquence suivante, c.-à-d. si la fréquence est quotidienne, il s’agit d’une semaine (7), s’il s’agit d’une semaine, il s’agit du mois (4). Les valeurs multipliées par deux sont les plus grandes valeurs possibles des latences/fenêtres dynamiques. Dans nos exemples, nous examinerons l’ordre de latence maximale de 14 et 8 respectivement.
Créez une série désaisonnière en ajoutant des composants de tendance et des restes. Ce sera utilisé à l’étape suivante.
Estimez la fonction d'auto-corrélation partielle (PACF) sur les données de (2) et recherchez les points où l'auto-corrélation est significative, c'est-à-dire que sa valeur absolue est supérieure à 1,96/racine carrée (valeur maximale du retard), ce qui correspond à une signification de 95 %.
Si tous les points sont significatifs, nous considérons qu’il s’agit d’un caractère saisonnier fort et que vous ne créez pas de fonctionnalités de recherche.
Nous balayons les valeurs PACF à partir du début et la valeur avant la première corrélation insignifiante automatique désignera la latence. Si le premier élément significatif (la valeur corrélée elle-même) est suivi de manière non significative, le décalage sera 0 et nous n’utiliserons pas de fonctionnalités de recherche.
Indicateur de génération de décalages pour les caractéristiques numériques avec « auto » ou None.
Nombre de périodes passées utilisées pour créer une moyenne de fenêtres dynamiques de la colonne cible.
Pendant la prévision, ce paramètre correspond à n périodes historiques à utiliser pour générer les valeurs prévues, < = taille du jeu d’entraînement. En cas d’omission, n est la taille du jeu d’apprentissage complet. Spécifiez ce paramètre si vous souhaitez prendre en compte seulement une partie des données historiques pour l’entraînement du modèle. Si la valeur est définie sur « auto », la fenêtre dynamique est estimée comme dernière valeur où le PACF est plus le seuil de précision. Veuillez consulter la section target_lags pour plus de détails.
Définissez le caractère saisonnier de la série chronologique sous la forme d’un entier multiple de la fréquence de la série. Si la saisonnalité est définie sur « auto », elle est déduite. Si la valeur est None, la série chronologique est supposée non saisonnière, ce qui équivaut à caractère saisonnier = 1.
Pays/région utilisé pour générer les caractéristiques de congés. Il doit s’agir des codes de pays/région à deux lettres au format ISO 3166, par exemple, « US » ou « GB ».
Configurez la décomposition STL de la colonne cible de série chronologique. use_stl peut prendre trois valeurs : None (valeur par défaut) : aucune décomposition STL, season : génère uniquement le composant de saison, et season_trend : génère des composants de saison et de tendance.
- short_series_handling
- bool
Configurez la gestion des séries courtes pour les tâches de prévision.
Paramètre définissant la manière dont AutoML doit gérer les séries chronologiques courtes.
Valeurs possibles : « auto » (par défaut), « Remplir », « Annuler » et Aucune.
- auto les séries courtes sont remplies en l’absence de séries longues. Sinon, les séries courtes sont annulées.
- remplir toutes les séries courtes sont remplies.
- annuler toutes les séries courtes sont annulées.
- Aucune les séries courtes ne sont pas modifiées. Si la valeur est « pad », la table est remplie avec les zéros et les valeurs vides pour les régresseurs et les valeurs aléatoires pour la cible avec la moyenne égale à la valeur cible médiane pour un ID de série chronologique donné. Si la valeur médiane est supérieure ou égale à zéro, la valeur minimale remplie est coupée de zéro. Entrée :
Date
numeric_value
string
cible
2020-01-01
23
green
55
Sortie en supposant que le nombre minimal de valeurs est de quatre :
Date
numeric_value
string
cible
2019-12-29
0
N/D
55.1
2019-12-30
0
N/D
55.6
2019-12-31
0
N/D
54.5
2020-01-01
23
green
55
Remarque : Nous avons deux paramètres short_series_handling_configuration et legacy short_series_handling. Lorsque les deux paramètres sont définis, nous les synchronisons comme indiqué dans le tableau ci-dessous (short_series_handling_configuration et short_series_handling par souci de concision sont marqués respectivement comme handling_configuration et handling).
Manipulation
handling_configuration
gestion résultante
handling_configuration résultants
True
auto
True
auto
Vrai
Pad
True
auto
Vrai
drop
True
auto
Vrai
Aucun
False
None
Faux
auto
False
None
Faux
Pad
False
None
Faux
drop
False
None
False
None
False
None
Fréquence de prévision.
Lors d'une prévision, ce paramètre représente la période pour laquelle la prévision est souhaitée, par exemple tous les jours, toutes les semaines, tous les ans, etc. La fréquence de prévision correspond à la fréquence du jeu de données par défaut. Vous pouvez la définir sur une valeur supérieure (mais pas inférieure) à la fréquence du jeu de données. Nous allons agréger les données et générer les résultats à la fréquence prévue. Par exemple, pour les données quotidiennes, vous pouvez définir une fréquence quotidienne, hebdomadaire ou mensuelle, mais pas toutes les heures. La fréquence doit correspondre à un alias de décalage Pandas. Pour plus d’informations, consultez la documentation Pandas : https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects
Fonction à utiliser pour agréger la colonne cible de la série chronologique de façon à ce qu’elle soit conforme à une fréquence spécifiée par l’utilisateur. Si target_aggregation_function est défini, mais que le paramètre freq ne l’est pas, une erreur est générée. Les fonctions d’agrégation cibles possibles sont les suivantes : « sum », « max », « min » et « mean ».
Les valeurs de la colonne cible sont agrégées en fonction de l’opération spécifiée. En général, la somme est appropriée pour la plupart des scénarios.
Les colonnes de prédiction numériques dans vos données sont agrégées par somme, moyenne, valeur minimale et valeur maximale. Par conséquent, le ML automatisé génère de nouvelles colonnes suffixées avec le nom de la fonction d’agrégation et applique l’opération d’agrégation sélectionnée.
Pour les colonnes de prédiction catégoriques, les données sont agrégées par mode, la catégorie la plus visible dans la fenêtre.
Les colonnes de prédiction de date sont agrégées par valeur minimale, valeur maximale et mode.
Freq
target_aggregation_function
Mécanisme de correction de la régularité des données
Aucun (par défaut)
Aucun (par défaut)
L’agrégation n’est pas appliquée. Si la fréquence valide ne peut pas être déterminée, l’erreur est déclenchée.
Une certaine valeur
Aucun (par défaut)
L’agrégation n’est pas appliquée. Si le nombre de points de données conformes à la grille de fréquence donnée est inférieur à 90 %, ces points sont supprimés, sinon l’erreur est déclenchée.
Aucun (par défaut)
Fonction d’agrégation
L’erreur concernant les paramètres de fréquence manquants est générée.
Une certaine valeur
Fonction d’agrégation
Agréger à la fréquence à l’aide de la fonction providedaggregation.
Nombre de périodes entre origin_time d’un repli de validation croisée et le repli suivant. Par exemple, si n_step = 3 pour les données quotidiennes, l’heure d’origine de chaque repli sera espacée de trois jours.
- features_unknown_at_forecast_time
- _enable_future_regressors
Méthodes
from_parameters_dict |
Construisez la classe ForecastingParameters à partir d’un dictionnaire. |
validate_parameters |
Validez les paramètres de la classe ForecastingParameters. |
from_parameters_dict
Construisez la classe ForecastingParameters à partir d’un dictionnaire.
static from_parameters_dict(parameter_dict: Dict[str, Any], validate_params: bool, show_deprecate_warnings: bool | None = True) -> ForecastingParameters
Paramètres
- parameter_dict
Le dictionnaire contient tous les paramètres de prévision.
- validate_params
Indique s’il faut valider le paramètre d’entrée ou non.
- show_deprecate_warnings
Affichez l’avertissement relatif aux paramètres déconseillés.
validate_parameters
Validez les paramètres de la classe ForecastingParameters.
validate_parameters()
Attributs
country_or_region_for_holidays
Pays/région utilisé pour générer les caractéristiques de congés. Il doit s’agir d’un code de pays/région à deux lettres au format ISO 3166, par exemple, « US » ou « GB ».
cv_step_size
Nombre de périodes entre origin_time d’un repli de validation croisée et le repli suivant. Par exemple, si n_step = 3 pour les données quotidiennes, l’heure d’origine de chaque repli sera espacée de trois jours.
drop_column_names
Noms des colonnes à supprimer pour les tâches de prévision.
dropna
Configurez dropna dans le transformateur de données de série chronologique.
feature_lags
Indicateur de génération de décalages pour les fonctionnalités numériques.
features_unknown_at_forecast_time
Nom(s) de colonne des fonctionnalités disponibles pour l’entraînement, mais inconnus au moment de la prévision/inférence. Si ce n’est pas défini, il est supposé que toutes les colonnes de fonctionnalité sont connues au moment de la prévision.
forecast_horizon
Horizon maximal de prévision souhaité en unités de fréquence de série chronologique. La valeur par défaut est 1. Les unités sont basées sur l’intervalle de temps de vos données d’apprentissage (par exemple, mensuelles, hebdomadaires) que l’analyste doit prévoir.
formatted_drop_column_names
Noms formatés des colonnes à supprimer pour les tâches de prévision.
formatted_group_column_names
formatted_target_lags
Nombre formaté de périodes passées mises en forme à décaler de la colonne cible.
formatted_time_series_id_column_names
Noms des colonnes utilisées pour regrouper une série chronologique. Elle permet de créer plusieurs séries. Si time_series_id_column_names n’est pas défini, le jeu de données est supposé être une série chronologique.
formatted_unknown_features
Nom(s) de colonne des fonctionnalités disponibles pour l’entraînement, mais inconnus au moment de la prévision/inférence. Si ce n’est pas défini, il est supposé que toutes les colonnes de fonctionnalité sont connues au moment de la prévision. Pris en charge uniquement dans dnn/tcn. Lorsque l’utilisateur ne spécifie rien, les fonctionnalités futures ne sont pas activées dans dnn. Toutefois, s’ils fournissent une liste vide, les fonctionnalités futures sont activées et toutes les colonnes de fonctionnalité sont supposées être connues au moment de la prévision.
freq
Fréquence du jeu de données.
group_column_names
holiday_country
Pays/région utilisé pour générer les caractéristiques de congés. Il doit s’agir d’un code de pays/région à deux lettres au format ISO 3166, par exemple, « US » ou « GB ».
overwrite_columns
Configurez overwrite_columns dans le transformateur de données de série chronologique.
seasonality
Caractère saisonnier de la série chronologique sous la forme d’un entier multiple de la fréquence de la série.
short_series_handling_configuration
Retourne si le fragment bref doit être rempli.
target_aggregation_function
Retourne la fonction d’agrégation cible.
target_lags
Nombre de périodes passées à décaler par rapport à la colonne cible.
target_rolling_window_size
time_column_name
Nom de la colonne d’heure. Ce paramètre permet de spécifier la colonne DateHeure dans les données d’entrée utilisées pour la génération de la série chronologique et la déduction de sa fréquence.
time_series_id_column_names
Noms des colonnes utilisées pour regrouper une série chronologique. Elle permet de créer plusieurs séries. Si time_series_id_column_names n’est pas défini, le jeu de données est supposé être une série chronologique.
transform_dictionary
Configurez transform_dictionary dans le transformateur de données de série chronologique.
use_stl
Configurez la décomposition STL de la colonne cible de série chronologique. use_stl peut prendre trois valeurs : None (valeur par défaut) : aucune décomposition STL, season : génère uniquement le composant de saison, et season_trend : génère des composants de saison et de tendance.
DEFAULT_TIMESERIES_VALUE
DEFAULT_TIMESERIES_VALUE = {'_enable_future_regressors': False, 'cv_step_size': 'auto', 'feature_lags': None, 'features_unknown_at_forecast_time': None, 'forecast_horizon': 1, 'freq': None, 'max_horizon': 1, 'seasonality': 'auto', 'short_series_handling': True, 'short_series_handling_configuration': 'auto', 'target_aggregation_function': None, 'target_lags': None, 'target_rolling_window_size': None, 'use_stl': None}
DEPRECATED_DICT
DEPRECATED_DICT = {'country': 'country_or_region_for_holidays', 'country_or_region': 'country_or_region_for_holidays', 'grain_column_names': 'time_series_id_column_names', 'holiday_country': 'country_or_region_for_holidays', 'max_horizon': 'forecast_horizon'}
EMPTY_TIME_COLUMN_NAME
EMPTY_TIME_COLUMN_NAME = '_EMPTY_TIME_COLUMN_NAME'
MAX_LAG_LENGTH
MAX_LAG_LENGTH = 2000
Commentaires
https://aka.ms/ContentUserFeedback.
Bientôt disponible : Tout au long de 2024, nous allons supprimer progressivement GitHub Issues comme mécanisme de commentaires pour le contenu et le remplacer par un nouveau système de commentaires. Pour plus d’informations, consultezEnvoyer et afficher des commentaires pour