ForecastingSettings Класс
Параметры прогнозирования для задания AutoML.
- Наследование
-
azure.ai.ml.entities._mixins.RestTranslatableMixinForecastingSettings
Конструктор
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)
Параметры
Имя | Описание |
---|---|
country_or_region_for_holidays
Обязательно
|
Страна или регион, используемые для создания признаков праздников. Это должен быть двухбуквенный код страны и региона по стандарту ISO 3166, например "US" или "GB". |
cv_step_size
Обязательно
|
Возвращает количество периодов между origin_time одной свертки CV и следующей. Например, если n_step = 3 для ежедневных данных, то время создания каждой из сверток будет составлять три дня. |
forecast_horizon
Обязательно
|
Максимальный требуемый горизонт прогнозирования в единицах периодичности временных рядов. Значение по умолчанию — 1. Единицы измерения определяются на основе интервала времени данных обучения, например, месяц или неделя, на который следует составить прогноз. Если тип задачи — прогнозирование, этот параметр является обязательным. Дополнительные сведения о настройке параметров прогнозирования приведены в статье Автоматизированное обучение прогнозной модели временных рядов. |
target_lags
Обязательно
|
Число периодов в прошлом, на которое должно быть определено запаздывание от целевого столбца. По умолчанию запаздывания отключены. При прогнозировании этот параметр представляет количество строк для запаздывания от целевых значений в зависимости от частоты данных. Он представляется в виде списка или одного целого числа. Запаздывание следует использовать, когда связь между независимыми и зависимыми переменными не согласована или не коррелирует по умолчанию. Например, при попытке прогнозировать спрос на товар спрос за любой месяц может зависеть от цены на определенные товары тремя месяцами ранее. В этом примере может потребоваться запаздывание (отрицательное смещение) целевых значений (спроса) на три месяца, чтобы модель была обучена по правильной связи. Дополнительные сведения приведены в статье Автоматизированное обучение прогнозной модели временных рядов. Обратите внимание на автоматическое определение размера запаздываний от целевых значений и скользящих интервалов. Просмотрите соответствующие комментарии в разделе, посвященном скользящим интервалам. Мы используем следующий алгоритм для определения оптимального размера запаздываний от целевых значений и скользящих интервалов.
|
target_rolling_window_size
Обязательно
|
Число периодов в прошлом, используемых для создания среднего значения скользящего интервала для целевого столбца. При прогнозировании этот параметр представляет n исторических периодов, используемых для создания прогнозируемых значений, <= размер набора данных для обучения. Если этот параметр не задан, n принимается равным полному размеру набора для обучения. Этот параметр следует задавать в том случае, если при обучении модели нужно учитывать только определенный объем данных за предыдущие периоды. Если задано значение auto, скользящий интервал будет оцениваться как последнее значение, при котором PACF превышает порог значимости. Дополнительные сведения см. в разделе, посвященном target_lags. |
frequency
Обязательно
|
Частота прогнозирования. При прогнозировании этот параметр представляет собой требуемый период составления прогноза, например, ежедневно, еженедельно, ежегодно и т. п. По умолчанию частота прогнозирования равна частоте набора данных. При необходимости можно задать для него значение больше (но не меньше) частоты набора данных. Мы агрегируем данные и сформируем результаты по частоте прогнозирования. Например, для ежедневных данных можно задать ежедневную, еженедельную или ежемесячную, но не ежечасную частоту прогнозирования. Частота должна быть псевдонимом смещения pandas. Дополнительные сведения приведены в документации по pandas: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects |
feature_lags
Обязательно
|
Флаг для создания запаздываний для числовых признаков с использованием значений auto и None. |
seasonality
Обязательно
|
Задайте сезонность временного ряда в виде целого числа, кратного частоте ряда. Если для сезонности задано значение auto, она будет выводиться автоматически. Если задано значение None, временные ряды считаются несезонными, что эквивалентно значению сезонности 1. |
use_stl
Обязательно
|
Настройка декомпозиции STL для целевого столбца временных рядов. Параметр use_stl может принимать три значения: None (Нет) (по умолчанию) — без декомпозиции STL, season — создание только компонента сезона и season_trend — создание компонентов сезона и тенденции. |
short_series_handling_config
Обязательно
|
Параметр, определяющий, как AutoML должно обрабатывать короткие временные ряды. Возможные значения: "auto" (по умолчанию), "pad", "drop" и "None".
Дата numeric_value строка target 01.01.2020 23 green 55 Выходные данные с минимальным числом значений — четыре: Дата numeric_value строка target 2019-12-29 0 Н/Д 55.1 2019-12-30 0 Н/Д 55.6 2019-12-31 0 Н/Д 54.5 01.01.2020 23 green 55 Примечание: Есть два параметра — short_series_handling_configuration и legacy short_series_handling. Если заданы оба параметра, они синхронизируются, как показано в таблице ниже (short_series_handling_configuration и short_series_handling для краткости указаны как handling_configuration и handling, соответственно). Обработки обработка конфигурации результирующая обработка результирующая обработкаконфигурация True auto True auto True Площадку True auto True drop True auto True Нет Неверно Нет Неверно авто Неверно Нет Неверно Площадку Неверно Нет Неверно drop Неверно Нет Неверно Нет Неверно Нет |
target_aggregate_function
Обязательно
|
Функция, используемая для агрегирования целевого столбца временных рядов в соответствии с заданной пользователем частотой. Если target_aggregation_function установлена, но параметр частоты не задан, возникает ошибка. Возможны следующие целевые функции агрегирования: "sum", "max", "min" и "mean".
Частота target_aggregation_function Механизм исправления регулярности данных Нет (по умолчанию) Нет (по умолчанию) Агрегирование не применяется. Если не удается определить допустимость, возникает ошибка. Некоторое значение Нет (по умолчанию) Агрегирование не применяется. Если число точек данных, соответствующих заданной сетке частоты, меньше 90 %, эти точки будут удалены, в противном случае возникает ошибка. Нет (по умолчанию) Статистическая функция Возникла ошибка о параметре missingfrequency. Некоторое значение Статистическая функция Агрегирование по частоте с использованием статистической функцииprovided. |
time_column_name
Обязательно
|
Имя столбца времени. Это параметр требуется при прогнозировании, чтобы задать столбец даты и времени во входных данных, используемых для создания временного ряда и определения его периодичности. |
time_series_id_column_names
Обязательно
|
Имена столбцов, используемых для группирования временных рядов. Можно использовать для создания нескольких рядов. Если имена столбцов идентификаторов временных рядов не заданы или если указанные столбцы идентификаторов не определяют все ряды в наборе данных, то идентификаторы временных рядов для набора данных будут создаваться автоматически. |
features_unknown_at_forecast_time
Обязательно
|
Столбцы признаков, доступные для обучения, но неизвестные на момент прогнозирования или вывода. Если для features_unknown_at_forecast_time задан пустой список, предполагается, что все столбцы признаков в наборе данных известны во время вывода. Если этот параметр не задан, поддержка будущих функций не включена. |
Параметры Keyword-Only
Имя | Описание |
---|---|
country_or_region_for_holidays
Обязательно
|
|
cv_step_size
Обязательно
|
|
forecast_horizon
Обязательно
|
|
target_lags
Обязательно
|
|
target_rolling_window_size
Обязательно
|
|
frequency
Обязательно
|
|
feature_lags
Обязательно
|
|
seasonality
Обязательно
|
|
use_stl
Обязательно
|
|
short_series_handling_config
Обязательно
|
|
target_aggregate_function
Обязательно
|
|
time_column_name
Обязательно
|
|
time_series_id_column_names
Обязательно
|
|
features_unknown_at_forecast_time
Обязательно
|
|
Azure SDK for Python
Обратная связь
https://aka.ms/ContentUserFeedback.
Ожидается в ближайшее время: в течение 2024 года мы постепенно откажемся от GitHub Issues как механизма обратной связи для контента и заменим его новой системой обратной связи. Дополнительные сведения см. в разделеОтправить и просмотреть отзыв по