ForecastingJob Classe

kwargs

dict

Argumentos adicionais para passar para o serializador YAML.

target_column_name

str

Nome da coluna de destino.

weight_column_name

Optional[str]

Nome da coluna de peso, predefinição para Nenhum

validation_data

Optional[Input]

Dados de validação, predefinições para Nenhum

validation_data_size

Optional[float]

Tamanho dos dados de validação, predefinição para Nenhum

n_cross_validations

Optional[Union[str, int]]

n_cross_validations, predefinições para Nenhum

cv_split_column_names

Optional[List[str]]

cv_split_column_names, predefinição para Nenhum

test_data

Optional[Input]

Testar dados, predefinições para Nenhum

test_data_size

Optional[float]

Tamanho dos dados de teste, predefinições para Nenhum

column_name_and_types

Optional[Dict[str, str]]

Um dicionário de nomes de colunas e tipos de funcionalidades utilizados para atualizar a finalidade da coluna, predefinições para Nenhum

dataset_language

Optional[str]

Código ISO 639-3 de três carateres para os idiomas contidos no conjunto de dados. Os idiomas que não o inglês só são suportados se utilizar computação ativada por GPU. A language_code "mula" deve ser utilizada se o conjunto de dados contiver vários idiomas. Para localizar códigos ISO 639-3 para idiomas diferentes, veja https://en.wikipedia.org/wiki/List_of_ISO_639-3_codes, predefinições para Nenhum

transformer_params

Optional[Dict[str, List[ColumnTransformer]]]

Um dicionário do transformador e dos parâmetros de personalização correspondentes, predefinições para Nenhum

mode

Optional[str]

"off", "auto", defaults to "auto", defaults to None

enable_dnn_featurization

Optional[bool]

Se pretende incluir métodos de engenharia de funcionalidades baseados em DNN, a predefinição é Nenhuma

forecast_horizon

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 seus dados de preparação, por exemplo, mensalmente, semanalmente que o meteorologista deve prever. Quando o tipo de tarefa está a ser 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.

time_series_id_column_names

Optional[Union[str, List[str]]]

Os nomes das colunas utilizadas para agrupar uma série temporal. Pode ser utilizado para criar várias séries. Se os nomes das colunas de ID da série temporal não estiverem definidos ou as colunas de identificador especificadas não identificarem todas as séries no conjunto de dados, os identificadores de série temporal serão criados automaticamente para o conjunto de dados.

target_lags

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.

1. Estimize a ordem de atraso máximo para a seleção de funcionalidades de aspeto anterior. No nosso caso, é o número de períodos até à próxima granularidade de frequência de data, ou seja, se a frequência for diária, será uma semana (7), se for uma semana, será mês (4). Esses valores multiplicados por dois são os maiores valores possíveis de lags/rolling windows. Nos nossos exemplos, vamos considerar a ordem de atraso máximo de 14 e 8, respetivamente).

2. Crie uma série não sazonalizada ao adicionar tendências e componentes residuais. Esta ação será utilizada no próximo passo.

3. Estimize a Função PACF – Correlação Automática Parcial nos dados de (2) e procure pontos, em que a correlação automática é significativa, ou seja, o seu valor absoluto é superior a 1,96/square_root(valor de atraso máximo), que correspondem à significância de 95%.

4. Se todos os pontos forem significativos, consideramos que é uma sazonalidade forte e não criamos funcionalidades de olhar para trás.

5. Analisamos os valores pacf desde o início e o valor antes da primeira correlação automática insignificante designará o atraso. Se o primeiro elemento significativo (valor correlacionado consigo próprio) for seguido de insignificante, o atraso será 0 e não utilizaremos as funcionalidades de retrospetivo.

feature_lags

Optional[str]

Sinalizador para gerar atrasos para as funcionalidades numéricas com "auto" ou Nenhum.

target_rolling_window_size

Optional[Union[str, int]]

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.

country_or_region_for_holidays

Optional[str]

O país/região utilizado para gerar funcionalidades de feriados. Estes devem ser códigos de país/região ISO 3166 de duas letras, por exemplo "EUA" ou "GB".

use_stl

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.

seasonality

Optional[Union[int, str]

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.

short_series_handling_config

O parâmetro que define como se o AutoML deve processar séries de tempo curtos.

Valores possíveis: "auto" (predefinição), "pad", "drop" e None.

• as séries curtas automáticas serão acolchoadas se não existirem séries longas,

caso contrário, as séries curtas serão removidas.

• todas as séries curtas serão acolchoadas.
• remover todas as séries curtas será removida".
• Nenhuma das séries curtas não será modificada.

Se estiver definida como 'pad', a tabela será preenchida com os zeros e valores vazios para os regressors e valores aleatórios para o destino com a média igual à mediana do valor de destino para um determinado ID de série temporal. Se a mediana for mais ou igual a zero, o valor acolchoado mínimo será cortado por zero: Entrada:

O resultado pressupõe que o número mínimo de valores é quatro:

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).

frequency

Frequência de previsão.

Ao prever, este parâmetro representa o período com o qual a previsão é pretendida, por exemplo, diariamente, semanalmente, anualmente, etc. Por predefinição, a frequência de previsão é a frequência do conjunto de dados. Opcionalmente, pode defini-lo como maior (mas não menor) do que a frequência do conjunto de dados. Vamos agregar os dados e gerar os resultados na frequência de previsão. Por exemplo, para dados diários, pode definir a frequência como diária, semanal ou mensal, mas não por hora. A frequência tem de ser um alias de deslocamento pandas. Veja a documentação do pandas para obter mais informações: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects

target_aggregate_function

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".

• Os valores da coluna de destino são agregados com base na operação especificada. Normalmente, a soma é adequada para a maioria dos cenários.

• As colunas do preditor numérico nos seus dados são agregadas por soma, média, valor mínimo e valor máximo. Como resultado, o ML automatizado gera novas colunas sufixadas com o nome da função de agregação e aplica a operação de agregação selecionada.

• Para colunas do preditor categórico, os dados são agregados por modo, a categoria mais proeminente na janela.

• As colunas do preditor de datas são agregadas pelo valor mínimo, valor máximo e modo.

cv_step_size

Optional[int]

Número de períodos entre o origin_time de uma dobra de CV e a dobra seguinte. Por exemplo, se n_step = 3 para dados diários, a hora de origem para cada dobra terá três dias de diferença.

features_unknown_at_forecast_time

Optional[Union[str, List[str]]]

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.

exit_score

Optional[float]

Classificação de destino para experimentação. A experimentação termina depois de esta classificação ser atingida. Se não for especificada (sem critérios), a experimentação é executada até que não sejam feitos mais progressos na métrica primária. Para obter mais informações sobre critérios de saída, veja este artigo , predefinições para Nenhum

max_concurrent_trials

Optional[int]

Este é o número máximo de iterações que seriam executadas em paralelo. O valor predefinido é 1.

• Os clusters AmlCompute suportam uma iteração em execução por nó.

Para múltiplas execuções principais de experimentação autoML executadas em paralelo num único cluster AmlCompute, a soma dos max_concurrent_trials valores de todas as experimentações deve ser menor ou igual ao número máximo de nós. Caso contrário, as execuções serão colocadas em fila até que os nós estejam disponíveis.

• A DSVM suporta várias iterações por nó. max_concurrent_trials deve

ser menor ou igual ao número de núcleos na DSVM. Para várias experimentações executadas em paralelo numa única DSVM, a soma dos max_concurrent_trials valores para todas as experimentações deve ser menor ou igual ao número máximo de nós.

• Databricks – max_concurrent_trials deve ser menor ou igual ao número de

nós de trabalho no Databricks.

max_concurrent_trials não se aplica a execuções locais. Anteriormente, este parâmetro era denominado concurrent_iterations.

max_cores_per_trial

Optional[int]

O número máximo de threads a utilizar para uma determinada iteração de preparação. Valores aceitáveis:

• Maior que 1 e menor ou igual ao número máximo de núcleos no destino de computação.

• Igual a -1, o que significa utilizar todos os núcleos possíveis por iteração por execução subordinada.

• Igual a 1, a predefinição.

max_nodes

Optional[int]

[Experimental] O número máximo de nós a utilizar para preparação distribuída.

• Para a previsão, cada modelo é preparado com nós máximo(2, int(max_nodes/max_concurrent_trials)).

• Para classificação/regressão, cada modelo é preparado com max_nodes nós.

Nota: este parâmetro está em pré-visualização pública e poderá mudar no futuro.

max_trials

Optional[int]

O número total de diferentes combinações de algoritmos e parâmetros a testar durante uma experimentação de ML automatizada. Se não for especificado, a predefinição é 1000 iterações.

timeout_minutes

Optional[int]

Período máximo de tempo em minutos que todas as iterações combinadas podem demorar até que a experimentação termine. Se não for especificado, o tempo limite da experimentação predefinido é de 6 dias. Para especificar um tempo limite inferior ou igual a 1 hora, certifique-se de que o tamanho do conjunto de dados não é superior a 10 000 000 (linhas vezes coluna) ou resultados de erros, predefinições para Nenhum

trial_timeout_minutes

Optional[int]

Tempo máximo em minutos para o qual cada iteração pode ser executada antes de terminar. Se não for especificado, é utilizado um valor de 1 mês ou 43200 minutos, predefinição para Nenhum

enable_dnn_training

Optional[bool]

Se pretende incluir modelos baseados em DNN durante a seleção de modelos. No entanto, a predefinição é True para tarefas NLP DNN e é Falso para todas as outras tarefas de AutoML.

enable_model_explainability

Se pretende ativar a explicação do melhor modelo autoML no final de todas as iterações de preparação autoML. Para obter mais informações, veja Interpretability: model explanations in automated machine learning (Interpretabilidade: explicações de modelos na aprendizagem automática automatizada). , predefinições para Nenhum

enable_stack_ensemble

Quer ativar/desativar a iteração stackEnsemble. Se enable_onnx_compatible_models sinalizador estiver a ser definido, a iteração StackEnsemble será desativada. Da mesma forma, para tarefas do Timeseries, a iteração StackEnsemble será desativada por predefinição, para evitar riscos de sobreajuste devido ao pequeno conjunto de preparação utilizado na adaptação do meta-aluno. Para obter mais informações sobre conjuntos, veja Configuração do conjunto , predefinições para Nenhum

enable_vote_ensemble

Quer ativar/desativar a iteração VotingEnsemble. Para obter mais informações sobre conjuntos, veja Configuração do conjunto , predefinições para Nenhum

stack_ensemble_settings

Optional[StackEnsembleSettings]

Definições da iteração StackEnsemble, predefinições para Nenhuma

ensemble_model_download_timeout

Optional[int]

Durante a geração de modelos VotingEnsemble e StackEnsemble, são transferidos vários modelos ajustados das execuções subordinadas anteriores. Configure este parâmetro com um valor superior a 300 segundos, se for necessário mais tempo, a predefinição é Nenhuma

allowed_training_algorithms

Optional[List[str]]

Uma lista de nomes de modelos para procurar uma experimentação. Se não for especificado, todos os modelos suportados para a tarefa são utilizados menos os especificados em blocked_training_algorithms modelos tensorFlow ou preteridos, predefinições para Nenhum

blocked_training_algorithms

Optional[List[str]]

Uma lista de algoritmos a ignorar para uma experimentação, predefinição para Nenhum

training_mode

[Experimental] O modo de preparação a utilizar. Os valores possíveis são:

• distributed – permite a preparação distribuída para algoritmos suportados.

• non_distributed- desativa a preparação distribuída.

• auto- Atualmente, é o mesmo que non_distributed. No futuro, isto pode mudar.

Nota: este parâmetro está em pré-visualização pública e poderá mudar no futuro.