Amazon Forecast ya no está disponible para nuevos clientes. Los clientes actuales de Amazon Forecast pueden seguir utilizando el servicio con normalidad. [Más información](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Predictores de reentrenamiento
Un predictor es un modelo de Amazon Forecast que se entrena con la serie temporal de destino, las series temporales relacionadas, los metadatos de artículos s y cualquier conjunto de datos adicional que incluya. Puede usar los predictores para generar previsiones basadas en los datos de serie temporal.
De forma predeterminada, Amazon Forecast crea una AutoPredictor, en la que Forecast aplica la combinación óptima de algoritmos a cada serie temporal de sus conjuntos de datos.
**Topics**
+ [
## Creación de un predictor
](#creating-predictors)
+ [
## Actualizando a AutoPredictor
](#upgrading-autopredictor)
+ [
# Agregación de datos para distintas frecuencias de previsión
](data-aggregation.md)
+ [
## Uso de conjuntos de datos adicionales
](#using-additional-datasets)
+ [
## Cómo trabajar con predictores heredados
](#legacy-predictors)
+ [
# Evaluación de la precisión del predictor
](metrics.md)
+ [
# Predictores de reentrenamiento
](retrain-predictors.md)
+ [
# Índice meteorológico
](weather.md)
+ [
# Característica Festivos
](holidays.md)
+ [
# Explicabilidad del predictor.
](predictor-explainability.md)
+ [
# Supervisión de predictores
](predictor-monitoring.md)
+ [
# Algoritmos de Amazon Forecast
](aws-forecast-choosing-recipes.md)
## Creación de un predictor
Amazon Forecast requiere las siguientes entradas para entrenar un predictor:
+ **Grupo de conjuntos de datos**: un grupo de conjuntos de datos que debe incluir un conjunto de datos de series temporales de destino. El conjunto de datos de series temporales de destino incluye el atributo de destino (`item_id`) y el atributo de marca temporal, así como cualquier dimensión. Los metadatos relacionados con las series temporales y los artículos son opcionales. Para obtener más información, consulte [Importación de conjuntos de datos](howitworks-datasets-groups.md).
+ **Frecuencia de previsión**: la granularidad de sus previsiones (por hora, por día, por semana, etc.). Amazon Forecast le permite determinar la granularidad exacta de sus previsiones al proporcionar la unidad de frecuencia y el valor. Solo se permiten valores enteros
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/howitworks-predictor.html)
Por ejemplo, si desea previsiones cada dos semanas, su unidad de frecuencia es semanal y el valor es 2. O, si desea previsiones trimestrales, su unidad de frecuencia es mensual y el valor es 3.
Cuando los datos se recopilan con una frecuencia mayor que la frecuencia de previsión, se agregan a la frecuencia de previsión. Esto incluye las series temporales finales y los datos de series temporales relacionadas. Para obtener más información sobre agregación, consulte [Agregación de datos para distintas frecuencias de previsión](data-aggregation.md).
+ **Horizonte de previsión**: el número de pasos de tiempo que se están previendo.
También puede establecer valores para las siguientes entradas opcionales:
+ **Límite de alineación de tiempo**: el límite de tiempo que Forecast utiliza para agregar sus datos y generar previsiones que se alinean con la frecuencia de previsión que especifique. Para obtener más información sobre agregación, consulte [Agregación de datos para distintas frecuencias de previsión](data-aggregation.md). Para obtener información sobre cómo especificar un límite de tiempo, consulte [Límites de tiempo](data-aggregation.md#time-boundaries).
+ **Dimensiones de previsión**: las dimensiones son atributos opcionales del conjunto de datos de series temporales de destino que se pueden utilizar en combinación con el valor de destino (`item_id`) para crear series temporales independientes.
+ **Tipos de previsión**: los cuantiles que se utilizan para evaluar el predictor.
+ **Métrica de optimización**: métrica de precisión utilizada para optimizar el predictor.
+ **Conjuntos de datos adicionales**: conjuntos de datos de Amazon Forecast integrados, como festivos y el índice meteorológico.
Puede crear un predictor mediante el kit de desarrollo de software (SDK) o la consola Amazon Forecast.
------
#### [ Console ]
**Para crear un predictor**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En **Grupos de conjuntos de datos**, elija su grupo de conjuntos de datos.
1. En el panel de navegación, elija **Predictores**.
1. Elija **Entrenar un nuevo predictor**.
1. Proporcione valores para los siguientes campos obligatorios:
+ **Nombre**: un nombre de predictor único.
+ **Frecuencia de previsión**: la granularidad de sus previsiones.
+ **Horizonte de previsión**: el número de pasos de tiempo que se preven.
1. Elija **Iniciar**.
Para obtener información sobre conjuntos de datos adicionales, consulte [Índice meteorológico](weather.md) y [Característica Festivos](holidays.md). Para obtener más información sobre la personalización de los tipos de previsión y las métricas de optimización, consulte [Evaluación de la precisión del predictor](metrics.md).
------
#### [ AWS CLI ]
Para crear un autopredictor con AWS CLI, utilice el `create-predictor` comando. El siguiente código crea un autopredictor que hace predicciones para 14 días en el futuro.
Proporcione un nombre para el predictor y el nombre de recurso de Amazon (ARN) del grupo de conjunto de datos que incluye sus datos de entrenamiento. Si lo desea, modifique el horizonte de previsión y la frecuencia de previsión. Añada, opcionalmente, cualquier etiqueta par el predictor. Para obtener más información, consulte [Etiquetado de recursos de Amazon Forecast](tagging-forecast-resources.md).
Para obtener más información acerca de los parámetros obligatorios y opcionales, consulte [CreateAutoPredictor](API_CreateAutoPredictor.md).
```
aws forecast create-predictor \
--predictor-name predictor_name \
--data-config DatasetGroupArn="arn:aws:forecast:region:account:dataset-group/datasetGroupName" \
--forecast-horizon 14 \
--forecast-frequency D \
--tags Key=key1,Value=value1 Key=key2,Value=value2
```
Para obtener más información sobre la personalización de los tipos de previsión y las métricas de optimización, consulte [Evaluación de la precisión del predictor](metrics.md) Los conjuntos de datos adicionales del índice meteorológico y los festivos se definen dentro del tipo de datos de `DataConfig`. Para obtener información sobre conjuntos de datos adicionales, consulte [Índice meteorológico](weather.md) y [Característica Festivos](holidays.md).
------
#### [ Python ]
Para crear un autopredictor con el SDK para Python (Boto3), use el método `create_auto_predictor`. El siguiente código crea un autopredictor que hace predicciones para 14 días en el futuro.
Proporcione un nombre para el predictor y el nombre de recurso de Amazon (ARN) del grupo de conjunto de datos que incluye sus datos de entrenamiento. Si lo desea, modifique el horizonte de previsión y la frecuencia de previsión. Añada, opcionalmente, cualquier etiqueta par el predictor. Para obtener más información, consulte [Etiquetado de recursos de Amazon Forecast](tagging-forecast-resources.md).
Para obtener más información acerca de los parámetros obligatorios y opcionales, consulte [CreateAutoPredictor](API_CreateAutoPredictor.md).
```
import boto3
forecast = boto3.client('forecast')
create_predictor_response = forecast.create_auto_predictor(
PredictorName = 'predictor_name',
ForecastHorizon = 14,
ForecastFrequency = 'D',
DataConfig = {
"DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName"
},
Tags = [
{
"Key": "key1",
"Value": "value1"
},
{
"Key": "key2",
"Value": "value2"
}
]
)
print(create_predictor_response['PredictorArn'])
```
Para obtener más información sobre la personalización de los tipos de previsión y las métricas de optimización, consulte [Evaluación de la precisión del predictor](metrics.md) Los conjuntos de datos adicionales del índice meteorológico y los festivos se definen dentro del tipo de datos de `DataConfig`. Para obtener información sobre conjuntos de datos adicionales, consulte [Índice meteorológico](weather.md) y [Característica Festivos](holidays.md).
------
## Actualizando a AutoPredictor
**Cuadernos de Python**
Para obtener una step-by-step guía sobre cómo actualizar los predictores a AutoPredictor, consulte [Actualizar un predictor](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb) a. AutoPredictor
Los predictores creados con AutoML o selección manual CreatePredictor () se pueden actualizar a un. AutoPredictor Si se actualiza uno existente a, AutoPredictor se transferirán todos los ajustes de configuración del predictor relevantes.
Tras la actualización a AutoPredictor, el predictor original permanecerá activo y el predictor actualizado tendrá un ARN de predictor independiente. Esto le permite comparar las métricas de precisión entre los dos predictores y seguir generando previsiones con el predictor original.
Puede actualizar un predictor mediante el kit de desarrollo de software (SDK) o la consola Amazon Forecast.
------
#### [ Console ]
**Para actualizar un predictor**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En el panel de navegación, elija **Predictores**.
1. Elija el predictor que desea actualizar y, a continuación, seleccione **Actualizar.**
1. Establezca un nombre único para el predictor actualizado.
1. Selecciona **Actualizar a AutoPredictor**.
------
#### [ CLI ]
Para actualizar un predictor con AWS CLI, utilice el `create-predictor` método, pero especifique *solo* el nombre del predictor y el valor de `reference-predictor-arn` (el ARN del predictor que desea actualizar).
```
aws forecast create-predictor \
--predictor-name predictor_name \
--reference-predictor-arn arn:aws:forecast:region:account:predictor/predictorName
```
------
#### [ Python ]
Para actualizar un predictor con el SDK para Python (Boto3), utilice el método `create_auto_predictor`, pero especifique *solo* el nombre del predictor y el valor de `ReferencePredictorArn` (el ARN del predictor que desea actualizar).
```
import boto3
forecast = boto3.client('forecast')
create_predictor_response = forecast.create_auto_predictor(
PredictorName = 'predictor_name',
ReferencePredictorArn = 'arn:aws:forecast:region:account:predictor/predictorName'
)
print(create_predictor_response['PredictorArn'])
```
------
# Agregación de datos para distintas frecuencias de previsión
Cuando se crea un predictor, se debe especificar una frecuencia de previsión. La frecuencia de previsión determina la frecuencia de las predicciones en sus previsiones. Por ejemplo, las previsiones de ventas mensuales. Los predictores de Amazon Forecast pueden generar previsiones para frecuencias de datos superiores a la frecuencia de previsión que especificó. Por ejemplo, puede generar previsiones semanales incluso si sus datos se registran a diario. Durante el entrenamiento, Forecast agrega los datos diarios para generar previsiones con la frecuencia de previsión semanal.
**Topics**
+ [
# Cómo funciona la agregación
](how-aggregation-works.md)
+ [
## Límites de tiempo
](#time-boundaries)
+ [
# Suposiciones de la agregación de datos
](aggregation-guidelines.md)
# Cómo funciona la agregación
Durante el entrenamiento, Amazon Forecast agrega cualquier dato que no se ajuste a la frecuencia de previsión que especifique. Por ejemplo, puede que tenga algunos datos diarios, pero que especifique una frecuencia de previsión semanal. Forecast ajusta los datos diarios en función de la semana a la que pertenecen. Luego, Forecast los combina en un solo registro para cada semana. Forecast determina a qué semana (o mes o día, etc.) pertenecen los datos en función de su relación con un límite de tiempo. Los límites de tiempo especifican el comienzo de una unidad de tiempo, como la hora en que comienza un día o el día en que comienza una semana.
Para las previsiones por hora y por minuto, o para límites de tiempo no especificados, Forecast utiliza un límite de tiempo predeterminado basado en la unidad de tiempo de la frecuencia. Para los autopredictores con frecuencias de previsión diarias, semanales, mensuales o anuales, puede especificar un límite de tiempo personalizado. Para obtener más información sobre los límites de tiempo, consulte [Límites de tiempo](data-aggregation.md#time-boundaries).
Durante la agregación, el método de transformación predeterminado consiste en sumar los datos. Puede configurar la transformación al crear el predictor. Esto se hace en la sección **Configuración de datos de entrada** de la página **Crear predictor** de la consola de Forecast. O bien, puede establecer el método de transformación en el `Transformations` parámetro [AttributeConfig](API_AttributeConfig.md) de la CreateAutoPredictor operación.
En las tablas siguientes se muestra un ejemplo de agregación de una frecuencia de previsión horaria utilizando el límite de tiempo predeterminado: cada hora comienza al principio de la hora.
**Pretransformación**
| Tiempo | Datos | Al principio de la hora |
| --- | --- | --- |
| 2018-03-03 01:00:00 | 100 | Sí |
| 2018-03-03 02:20:00 | 50 | No |
| 2018-03-03 02:45:00 | 20 | No |
| 2018-03-03 04:00:00 | 120 | Sí |
**Postransformación**
| Tiempo | Datos | Notas |
| --- | --- | --- |
| 2018-03-03 01:00:00 | 100 | |
| 2018-03-03 02:00:00 | 70 | Suma de los valores entre 02:00:00 -02:59:59 (50 \$1 20) |
| 2018-03-03 03:00:00 | Vacío | No hay valores entre 03:00:00 -03:59:59 |
| 2018-03-03 04:00:00 | 120 | |
En el siguiente gráfico se muestra cómo Forecast transforma los datos para adaptarse al límite de tiempo semanal predeterminado:
![\[Raw sales data points transformed into a smooth demand time series curve over weekly intervals.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/data-alignment.png)
## Límites de tiempo
Los límites de tiempo especifican el comienzo de una unidad de tiempo, como el día en que comienza una semana. Antes de agregar los datos, Amazon Forecast los alinea en función de la unidad de tiempo de su frecuencia de previsión. Lo hace en función de la relación de los datos con un límite de tiempo.
Por ejemplo, si especifica una frecuencia de previsión diaria pero no su propio límite de tiempo, Forecast alinea cada registro horario en función del día al que pertenece. Cada día comienza a las 0 horas. La definición de cuándo comienza el día, 0 horas, es el límite de tiempo. A continuación, Forecast agrega los registros por hora en un único registro para ese día.
Forecast utiliza un límite de tiempo predeterminado en función de la unidad de tiempo de la frecuencia de previsión. Si se crea un autopredictor, se puede especificar un límite de tiempo personalizado.
Si especifica un límite de tiempo personalizado y una frecuencia de previsión personalizada, Forecast agrega los datos dentro de la frecuencia de previsión y los alinea con el límite de tiempo personalizado. La frecuencia de previsión determina la frecuencia con la que se agregan los datos, mientras que el límite de tiempo personalizado determina dónde se encuentra la alineación. Por ejemplo, supongamos que sus datos se recopilan a diario y que desea que Amazon Forecast genere previsiones trimestrales el día 15 del mes durante un año. Para ello, establezca la frecuencia de previsión en cada 3 meses y el límite de tiempo personalizado en 15. Consulte el siguiente AWS Command Line Interface ejemplo.
```
aws forecast create-predictor \
--predictor-name predictor_name \
--data-config DatasetGroupArn="arn:aws:forecast:region:account:dataset-group/datasetGroupName" \
--forecast-horizon 4 \
--forecast-frequency 3M \
--time-alignment-boundary DayOfMonth=15
```
En este ejemplo, todos los datos diarios se suman (la agregación predeterminada) el día 15 de cada tres meses.
Tenga en cuenta que esta agregación no requiere datos diarios, solo que los datos se recopilan mensualmente o con mayor frecuencia.
**Topics**
+ [
### Límites de tiempo predeterminados
](#default-time-boundaries)
+ [
### Cómo especificar un límite de tiempo
](#specifying-time-boundary)
### Límites de tiempo predeterminados
En la siguiente tabla se muestran los límites de alineación de tiempo personalizados que utiliza Forecast al agregar datos.
| Frecuencia | Límite |
| --- | --- |
| Minuto | Último punto álgido del minuto (45:00, 06:00) |
| Hora | Último punto álgido de la hora (09:00:00, 13:00:00) |
| Día | Primera hora del día (hora 0) |
| Semana | Lunes más reciente |
| Mes | Primer día del mes |
| Año | Primer día del año (1 de enero) |
### Cómo especificar un límite de tiempo
**nota**
Solo puede especificar un límite de tiempo para un autopredictor.
Al crear un autopredictor con una frecuencia de previsión diaria, semanal, mensual o anual, puede especificar el límite de tiempo que Forecast utiliza para agregar datos. Puede especificar un límite de tiempo si su agenda comercial no se alinea con los límites de tiempo predeterminados. Por ejemplo, es posible que desee generar previsiones mensuales en las que cada mes comience el tercer día del mes. Si no especifica un límite de tiempo, Forecast utiliza un conjunto de [Límites de tiempo predeterminados](#default-time-boundaries).
La unidad límite de tiempo que especifique debe ser una unidad más precisa que la frecuencia de previsión. La siguiente tabla muestra la unidad de límite de tiempo y los valores que puede especificar, organizados por frecuencia de previsión.
Solo puede especificar un límite de tiempo `Monthly` con un valor de límite de `28` o inferior.
| Unidad de frecuencia de previsión | Unidad límite | Valores límite |
| --- | --- | --- |
| Por día | Hora | 0–23 |
| Semanal | Día de la semana | Lunes a domingo |
| Mensual | Día del mes | Del 1 al 28 |
| Anualmente | Mes | De enero a diciembre |
Al crear un predictor, se especifica un límite de alineación temporal de la siguiente manera. Para obtener información sobre las diferentes unidades de límite de tiempo y los valores límite que puede especificar mediante programación, consulte [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md).
------
#### [ Console ]
****
**Para especificar un límite de alineación temporal para un predictor**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En **Grupos de conjuntos de datos**, elija su grupo de conjuntos de datos.
1. En el panel de navegación, elija **Predictores**.
1. Elija **Entrenar un nuevo predictor**.
1. Proporcione valores para los campos obligatorios **Nombre**, **Frecuencia de previsión** y **Horizonte de previsión**.
1. En **Límite de alineación temporal**, especifique el límite de tiempo que utilizará el predictor al agregar los datos. Los valores de esta lista dependen de la **frecuencia de previsión** que elija.
1. Elija **Iniciar**. Forecast agregará los datos utilizando el límite de alineación temporal que especifique al crear el predictor.
------
#### [ AWS CLI ]
Para especificar un límite de alineación temporal para un predictor con el AWS CLI, utilice el `create-predictor` comando. Para el parámetro `time-alignment-boundary`, proporcione la unidad de tiempo y el valor límite. El siguiente código crea un autopredictor que hace predicciones para 5 semanas en el futuro, donde cada semana comienza un martes.
Los valores de `DayOfWeek` y `DayOfMonth` deben estar todos en mayúsculas. Para obtener información sobre las diferentes unidades de límite de tiempo y los valores límite que puede especificar, consulte [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md). Para obtener más información acerca de los parámetros obligatorios y opcionales, consulte [CreateAutoPredictor](API_CreateAutoPredictor.md).
```
aws forecast create-predictor \
--predictor-name predictor_name \
--data-config DatasetGroupArn="arn:aws:forecast:region:account:dataset-group/datasetGroupName" \
--forecast-horizon 5 \
--forecast-frequency W \
--time-alignment-boundary DayOfWeek=TUESDAY
```
------
#### [ Python ]
Para especificar un límite de alineación de tiempo para un predictor con el SDK para Python (Boto3), utilice el método `create_auto_predictor`. Para el parámetro `TimeAlignmentBoundary`, proporcione un diccionario con la unidad de tiempo como clave y el valor límite como valor. El siguiente código crea un autopredictor que hace predicciones para 5 semanas en el futuro, donde cada semana comienza un martes.
Los valores de `DayOfWeek` y `DayOfMonth` deben estar todos en mayúsculas. Para obtener información sobre las diferentes unidades de límite de tiempo y los valores límite que puede especificar, consulte [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md). Para obtener más información acerca de los parámetros obligatorios y opcionales, consulte [CreateAutoPredictor](API_CreateAutoPredictor.md).
```
import boto3
forecast = boto3.client('forecast')
create_predictor_response = forecast.create_auto_predictor(
PredictorName = 'predictor_name',
ForecastHorizon = 5,
ForecastFrequency = 'W',
DataConfig = {
"DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName"
},
TimeAlignmentBoundary = {
"DayOfWeek": "TUESDAY"
}
)
print(create_predictor_response['PredictorArn'])
```
------
# Suposiciones de la agregación de datos
Forecast no asume que los datos proceden de una zona horaria específica. Sin embargo, hace las siguientes suposiciones al agregar datos de serie temporal:
+ Todos los datos proceden de la misma zona horaria.
+ Todas las previsiones están en la misma zona horaria que los datos del conjunto de datos.
+ Si especifica la característica de vacaciones [SupplementaryFeature](API_SupplementaryFeature.md) en el parámetro [InputDataConfig](API_InputDataConfig.md) de la operación [CreatePredictor](API_CreatePredictor.md), los datos de entrada proceden del mismo país.
## Uso de conjuntos de datos adicionales
Amazon Forecast puede incluir el índice meteorológico y los días festivos al crear el predictor. El índice meteorológico incorpora información meteorológica en su modelo y Festivos incorpora información sobre los festivos nacionales.
El índice meteorológico requiere un atributo de “geolocalización” en el conjunto de datos de series temporales de destino e información sobre las zonas horarias para sus marcas temporales. Para obtener más información, consulte [Índice meteorológico](weather.md).
Festivos incluyen información sobre días festivos en más de 250 países. Para obtener más información, consulte [Característica Festivos](holidays.md).
## Cómo trabajar con predictores heredados
**nota**
Para actualizar un predictor existente a, consulte AutoPredictor [Actualizando a AutoPredictor](#upgrading-autopredictor)
AutoPredictor es el método predeterminado y preferido para crear un predictor con Amazon Forecast. AutoPredictor crea predictores aplicando la combinación óptima de algoritmos para cada serie temporal del conjunto de datos.
Los predictores creados con generalmente AutoPredictor son más precisos que los predictores creados con AutoML o selección manual. Las funciones de explicabilidad de Forecast y reentrenamiento de predictores solo están disponibles para los predictores creados con. AutoPredictor
Amazon Forecast también puede crear predictores heredados de las siguientes maneras:
1. **AutoML**: Forecast busca el algoritmo con mejor rendimiento y lo aplica a todo el conjunto de datos.
1. **Selección manual**: elija manualmente un único algoritmo que se aplique a todo el conjunto de datos.
Es posible que pueda crear un predictor heredado con el kit de desarrollo de software (SDK).
------
#### [ SDK ]
**Para usar AutoML**
Establezca el valor de `PerformAutoML` en `"true"` mediante la operación [`CreatePredictor`](API_CreatePredictor.md).
```
{
...
"PerformAutoML": "true",
}
```
Si usa AutoML, no puede establecer un valor para los siguientes CreatePredictor parámetros:`AlgorithmArn`,,`HPOConfig`. `TrainingParameters`
------
# Evaluación de la precisión del predictor
Amazon Forecast produce métricas de precisión para evaluar los predictores y ayudarle a elegir cuál usar para generar previsiones. Forecast evalúa los predictores mediante el error cuadrático medio (RMSE), la pérdida cuantil ponderada (wQL), el error porcentual absoluto medio (MAPE), el error escalado absoluto medio (MASE) y el error porcentual absoluto ponderado (WAPE).
Amazon Forecast utiliza pruebas retrospectivas (backtesting) para ajustar los parámetros y producir métricas de precisión. Durante las pruebas retrospectivas, Forecast divide automáticamente los datos de serie temporal en dos conjuntos: un conjunto de entrenamiento y un conjunto de pruebas. El conjunto de entrenamiento se usa para entrenar un modelo y generar previsiones para los puntos de datos del conjunto de pruebas. Forecast evalúa la precisión del modelo comparando los valores pronosticados con los valores observados en el conjunto de pruebas.
Forecast le permite evaluar los predictores mediante diferentes tipos de previsión, que pueden ser un conjunto de previsiones cuantílicas y la previsión media. La previsión media proporciona una estimación puntual, mientras que las previsiones cuantílicas suelen ofrecer un rango de posibles resultados.
**Cuadernos de Python**
Para obtener una step-by-step guía sobre la evaluación de las métricas predictoras, consulte [Calcular métricas mediante pruebas retrospectivas a nivel de elemento](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb). .
**Topics**
+ [
## Interpretación de las métricas de precisión
](#predictor-metrics)
+ [
## Pérdida cuantil ponderada (wQL)
](#metrics-wQL)
+ [
## Error porcentual absoluto ponderado (WAPE)
](#metrics-WAPE)
+ [
## Error cuadrático medio (RMSE)
](#metrics-RMSE)
+ [
## Error porcentual absoluto medio (MAPE)
](#metrics-mape)
+ [
## Error de escala absoluto medio (MASE)
](#metrics-mase)
+ [
## Exportación de métricas de precisión
](#backtest-exports)
+ [
## Elección de los tipos de previsión
](#forecast-types)
+ [
## Cómo trabajar con predictores heredados
](#legacy-metrics)
## Interpretación de las métricas de precisión
Amazon Forecast proporciona métricas de error cuadrático medio (RMSE), pérdida cuantil ponderada (wQL), pérdida de cuantil ponderada media (wQL promedio), error de escala absoluto medio (MASE), error porcentual absoluto medio (MAPE) y error porcentual absoluto ponderado (WAPE) para evaluar sus predictores. Junto con las métricas del predictor general, Forecast calcula las métricas para cada ventana de prueba de datos.
Puede ver métricas de precisión para sus predictores mediante el kit de desarrollo de software (SDK) de Amazon Forecast y la consola Amazon Forecast.
------
#### [ Forecast SDK ]
Con la [GetAccuracyMetrics](API_GetAccuracyMetrics.md)operación, especifique su valor `PredictorArn` para ver las métricas de RMSE, MASE, MAPE, WAPE, Average wQL y wQL de cada prueba retrospectiva.
```
{
"PredictorArn": "arn:aws:forecast:region:acct-id:predictor/example-id"
}
```
------
#### [ Forecast Console ]
Elija su predictor en la página **Predictores**. Las métricas de precisión del predictor se muestran en la sección **Métricas del predictor**.
------
**nota**
En el caso de las métricas wQL promedio, wQL, RMSE, MASE, MAPE y WAPE, un valor inferior indica un modelo superior.
**Topics**
+ [
## Interpretación de las métricas de precisión
](#predictor-metrics)
+ [
## Pérdida cuantil ponderada (wQL)
](#metrics-wQL)
+ [
## Error porcentual absoluto ponderado (WAPE)
](#metrics-WAPE)
+ [
## Error cuadrático medio (RMSE)
](#metrics-RMSE)
+ [
## Error porcentual absoluto medio (MAPE)
](#metrics-mape)
+ [
## Error de escala absoluto medio (MASE)
](#metrics-mase)
+ [
## Exportación de métricas de precisión
](#backtest-exports)
+ [
## Elección de los tipos de previsión
](#forecast-types)
+ [
## Cómo trabajar con predictores heredados
](#legacy-metrics)
## Pérdida cuantil ponderada (wQL)
La métrica de pérdida cuantil ponderada (wQL) mide la precisión de un modelo en un cuantil específico. Resulta especialmente útil cuando la predicción insuficiente y la sobrepredicción conllevan distintos costos. Al establecer la ponderación (*τ*) de la función wQL, puede incorporar automáticamente diferentes penalizaciones por predicción insuficiente y sobrepredicción.
La función de pérdida se calcula de la siguiente manera.
![\[Mathematical equation for weighted quantile loss function with tau parameter.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/metrics-quantile-loss.png)
Donde:
*τ*: un cuantil del conjunto \$10,01, 0,02, ..., 0,99\$1
qi,t(τ): el cuantil τ que predice el modelo.
yi,t: el valor observado en el punto (i,t)
Los cuantiles (τ) de wQL pueden oscilar entre 0,01 (P1) y 0,99 (P99). La métrica wQL no se puede calcular para la previsión media.
De forma predeterminada, Forecast calcula wQL en `0.1` (P10), `0.5` (P50) y `0.9` (P90).
+ **P10 (0,1)**: se espera que el valor real sea menor que el valor predicho el 10 % del tiempo.
+ **P50 (0,5)**: se espera que el valor real sea menor que el valor predicho el 50 % del tiempo. Esto también se conoce como previsión media.
+ **P90 (0,9)**: se espera que el valor real sea menor que el valor predicho el 90 % del tiempo.
En el sector minorista, el costo de la falta de existencias suele ser mayor que el costo de la sobreoferta, por lo que hacer una previsión a P75 (*τ=0,75*) puede ser más informativo que hacer una previsión a un cuantil medio (P50). En estos casos, wQL[0,75] asigna una penalización mayor a la infraprevisión (0,75) y una penalización menor a la sobreprevisión (0,25).
![\[Two probability distribution curves showing demand forecasting at P50 and P75 quantiles.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/p50-p75-prediction.jpg)
La figura anterior muestra las diferentes previsiones de demanda en wQL[0,50] y wQL[0,75]. El valor previsto en P75 es significativamente superior al valor previsto en P50, ya que se espera que la previsión P75 satisfaga la demanda el 75 % de las veces, mientras que la previsión P50 solo satisfaga la demanda el 50 % de las veces.
Cuando la suma de valores observados de todos los artículos y puntos de tiempo es aproximadamente cero en un determinado período de las pruebas de datos, la expresión de pérdida de cuantil ponderada no está definida. En estos casos, Forecast genera la pérdida de cuantil no ponderada, que es el numerador de la expresión wQL.
Forecast también calcula la wQL promedio, que es el valor medio de las pérdidas cuantiles ponderadas sobre todos los cuantiles especificados. De forma predeterminada, será el promedio de wQL[0,10], wQL[0,50] y wQL[0,90].
## Error porcentual absoluto ponderado (WAPE)
El error porcentual absoluto ponderado (WAPE) mide la desviación general de los valores pronosticados con respecto a los valores observados. El WAPE se calcula tomando la suma de los valores observados y la suma de los valores pronosticados y calculando el error entre esos dos valores. Un valor más bajo indica un modelo más exacto.
Cuando la suma de valores observados de todos los artículos y puntos de tiempo es aproximadamente cero en un determinado período de las pruebas de datos, la expresión de error porcentual absoluto ponderado no está definida. En estos casos, Forecast genera la suma de errores absolutos no ponderados, que es el numerador de la expresión WAPE.
![\[Mathematical formula for WAPE showing summation of absolute differences divided by sum of absolute values.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/WAPE.png)
Donde:
yi,t: el valor observado en el punto (i,t)
ŷi,t: el valor previsto en el punto (i,t)
Forecast usa la previsión media como el valor previsto, ŷi,t.
El WAPE es más resistente a los valores atípicos que el error cuadrático medio (RMSE) porque utiliza el error absoluto en lugar del error cuadrático.
Anteriormente, Amazon Forecast denominaba a la métrica WAPE Error porcentual absoluto medio (MAPE) y utilizaba la previsión media (P50) como valor previsto. Forecast ahora usa la previsión media para calcular WAPE. La métrica wQL[0,5] equivale a la métrica WAPE [mediana], como se muestra a continuación:
![\[Mathematical equation showing the equivalence of wQL[0.5] and WAPE[median] metrics.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/wql-to-wape.PNG)
## Error cuadrático medio (RMSE)
Error cuadrático medio (RMSE) es la raíz cuadrada del promedio de los errores cuadrados y, por tanto, es más sensible a los valores atípicos que otras métricas de precisión. Un valor más bajo indica un modelo más exacto.
![\[Mathematical formula for Root Mean Square Error (RMSE) with summation and square root.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/metrics-rmse.png)
Donde:
yi,t: el valor observado en el punto (i,t)
ŷi,t: el valor previsto en el punto (i,t)
nT: el número de puntos de datos en un conjunto de pruebas
Forecast usa la previsión media como el valor previsto, ŷi,t. Al calcular las métricas predictoras, nT es el número de puntos de datos en una ventana de prueba de datos.
RMSE utiliza el valor cuadrado de los valores residuales, lo que amplifica el impacto de los valores atípicos. En los casos de uso en los que solo unas pocas predicciones erróneas importantes pueden resultar muy costosas, RMSE es la métrica más relevante.
Los predictores creados antes del 11 de noviembre de 2020 calcularon el RMSE utilizando el cuantil 0,5 (P50) de forma predeterminada. Forecast ahora usa la previsión media.
## Error porcentual absoluto medio (MAPE)
Error porcentual absoluto medio (MAPE) toma el valor absoluto del porcentaje de error entre los valores observados y pronosticados para cada unidad de tiempo y, a continuación, promedia esos valores. Un valor más bajo indica un modelo más exacto.
![\[Mathematical formula for Mean Absolute Percentage Error (MAPE) calculation.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/mape.png)
Donde:
At: el valor observado en el punto *t*
Ft: el valor previsto en el punto *t*
n: el número de puntos de datos en la serie temporal
Forecast usa la previsión media como el valor previsto, ŷt.
MAPE es útil para los casos en los que los valores difieren significativamente entre puntos de tiempo y los valores atípicos tienen un impacto significativo.
## Error de escala absoluto medio (MASE)
El error de escala absoluto medio (MASE) se calcula dividiendo el error promedio entre un factor de escala. Este factor de escala depende del valor de estacionalidad, *m*, que se selecciona en función de la frecuencia de previsión. Un valor más bajo indica un modelo más exacto.
![\[Mathematical formula for Mean Absolute Scaled Error (MASE) with summation and absolute value notations.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/mase.png)
Donde:
Yt: el valor observado en el punto *t*
Yt-m: el valor observado en el punto *t-m*
ej: el error en el punto *j* (valor observado - valor previsto)
m: el valor de estacionalidad
Forecast usa la previsión media como el valor previsto.
MASE es ideal para conjuntos de datos que son de naturaleza cíclica o que tienen propiedades estacionales. Por ejemplo, sería útil tener en cuenta el impacto estacional para pronosticar los artículos que tienen una gran demanda durante los veranos y una demanda baja durante los inviernos.
## Exportación de métricas de precisión
**nota**
Los archivos de exportación pueden devolver directamente información de la importación del conjunto de datos. Esto hace que los archivos sean vulnerables a ejecuciones CSV si los datos importados contienen fórmulas o comandos. Por este motivo, los archivos exportados pueden provocar advertencias de seguridad. Para evitar actividades maliciosas, desactive los enlaces y las macros al leer los archivos exportados.
Forecast le permite exportar los valores previstos y las métricas de precisión generadas durante las pruebas de datos.
Puede utilizar estas exportaciones para evaluar artículos específicos en puntos de tiempo y cuantiles específicos y comprender mejor su predictor. Las exportaciones de prueba de datos se envían a una ubicación de S3 específica y contienen dos carpetas:
+ **valores previstos**: contiene archivos CSV o Parquet con valores previstos en cada tipo de previsión para cada prueba de datos.
+ **accuracy-metrics-values**: Contiene archivos CSV o Parquet con las métricas de cada prueba retrospectiva, junto con el promedio de todas las pruebas retrospectivas. Estas métricas incluyen la wQL para cada cuantil, la wQL promedio, el RMSE, el MASE, el MAPE y el WAPE.
La carpeta `forecasted-values` contiene los valores previstos en cada tipo de previsión para cada período de prueba de datos. También incluye información sobre el elemento IDs, las dimensiones, las marcas de tiempo, los valores objetivo y las horas de inicio y finalización de la ventana de backtest.
La carpeta `accuracy-metrics-values` contiene las métricas de precisión de cada período de pruebas de datos, así como las métricas medias de todas los períodos de pruebas de datos. Contiene métricas wQL para cada cuantil especificado, así como métricas wQL promedio, RMSE, MASE, MAPE y WAPE.
Los archivos de ambas carpetas siguen la convención de nomenclatura: `__.csv`.
Puede exportar métricas de precisión mediante el kit de desarrollo de software (SDK) de Amazon Forecast y la consola Amazon Forecast.
------
#### [ Forecast SDK ]
Mediante la operación [`CreatePredictorBacktestExportJob`](API_CreatePredictorBacktestExportJob.md), especifique su ubicación en S3 y el rol de IAM en el objeto de [`DataDestination`](API_DataDestination.md), junto con `PredictorArn` y `PredictorBacktestExportJobName`.
Por ejemplo:
```
{
"Destination": {
"S3Config": {
"Path": "s3://bucket/example-path/",
"RoleArn": "arn:aws:iam::000000000000:role/ExampleRole"
}
},
"Format": PARQUET;
"PredictorArn": "arn:aws:forecast:region:predictor/example",
"PredictorBacktestExportJobName": "backtest-export-name",
}
```
------
#### [ Forecast Console ]
Elija su predictor en la página **Predictores**. En la sección **Métricas del predictor**, seleccione **Exportar resultados de prueba de datos**.
Durante la etapa **Crear exportación de la prueba de datos del predictor**, defina los campos **Nombre de exportación**, **Rol de IAM** y **Ubicación de exportación de la prueba de datos del predictor de S3**.
![\[Form for exporting predictor backtest data to S3, with fields for name, IAM role, and location.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/console-export-screen.PNG)
------
## Elección de los tipos de previsión
Amazon Forecast utiliza tipos de previsión para crear predicciones y evaluar predictores. Los tipos de Forecast se presentan de dos formas:
+ **Tipo de previsión media**: previsión que utiliza la media como valor esperado. Suele utilizarse como previsiones puntuales para un momento dado.
+ **Tipo de previsión de cuantil**: previsión en un cuantil especificado. Normalmente se utiliza para proporcionar un intervalo de predicción, que es un rango de valores posibles para tener en cuenta la incertidumbre de la previsión. Por ejemplo, una previsión en el cuantil `0.65` estimará un valor inferior al valor observado el 65 % de las veces.
De forma predeterminada, Forecast usa los siguientes valores para los tipos de previsión del predictor: `0.1` (P10), `0.5` (P50) y `0.9` (P90). Puede elegir hasta cinco tipos de previsión personalizados, incluidos cuantiles `mean` que van desde `0.01` (P1) hasta `0.99` (P99).
Los cuantiles pueden proporcionar un límite superior e inferior para las previsiones. Por ejemplo, el uso de los tipos de previsión `0.1` (P10) y `0.9` (P90) proporciona un rango de valores conocido como intervalo de confianza del 80 %. Se espera que el valor observado sea inferior al valor P10 el 10 % del tiempo y que el valor P90 sea superior al valor observado el 90 % del tiempo. Al generar previsiones en p10 y P90, es de esperar que el valor real se sitúe entre esos límites el 80 % de las veces. Este rango de valores se representa mediante la región sombreada entre P10 y P90 en la siguiente figura.
![\[Graph showing forecast quantiles with P99, P90, P50, P10, and P1 lines over time.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/quantiles-intervals.png)
También puede utilizar una previsión de cuantil como previsión puntual cuando el costo de la predicción insuficiente difiera del costo de la sobrepredicción. Por ejemplo, en algunos casos de venta minorista, el costo de no tener existencias suficientes es mayor que el costo de tener un exceso de existencias. En estos casos, la previsión de 0,65 (P65) es más informativa que la mediana (P50) o la previsión media.
Al entrenar un predictor, puede elegir tipos de previsión personalizados mediante el kit de desarrollo de software (SDK) de Amazon Forecast y la consola Amazon Forecast.
------
#### [ Forecast SDK ]
Mediante la operación [`CreateAutoPredictor`](API_CreateAutoPredictor.md), especifique los tipos de previsión personalizados en el parámetro `ForecastTypes`. Formatee el parámetro como matriz de cadenas.
Por ejemplo, para crear un predictor en los tipos de previsión `0.01`, `mean`, `0.65` y `0.99`, utilice el siguiente código.
```
{
"ForecastTypes": [ "0.01", "mean", "0.65", "0.99" ],
},
```
------
#### [ Forecast Console ]
Durante la etapa de **Entrenar predictor**, especifique los tipos de previsión personalizados en el campo **Tipos de previsión**. Seleccione **Añadir nuevo tipo de previsión** e ingrese un valor de tipo de previsión.
Por ejemplo, para crear un predictor con los tipos de previsión `0.01`, `mean`, `0.65` y `0.99`, escriba los siguientes valores en los campos de **Tipos de previsión** que se muestran a continuación.
![\[Form for entering forecast types with fields for type names and quantile values between .01 and .99.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/predictor-custom-quantiles.png)
------
## Cómo trabajar con predictores heredados
### Configuración de los parámetros de la prueba de datos
Forecast utiliza pruebas de datos para calcular las métricas de precisión. Si ejecuta varias pruebas de datos, Forecast calcula el promedio de cada métrica a lo largo de todos los períodos de pruebas de datos. De forma predeterminada, Forecast calcula una prueba de datos, con el tamaño del período de prueba de datos (conjunto de pruebas) igual a la duración del horizonte de previsión (ventana de predicción). Al entrenar un predictor, puede establecer tanto la *duración del período de pruebas de datos* como el *número de escenarios de pruebas de datos*.
Forecast omite los valores llenados del proceso de prueba de datos, y cualquier artículo con valores llenados dentro de un período de prueba de datos determinado se excluirá de esa prueba de datos. Esto se debe a que Forecast solo compara los valores previstos con los valores observados durante las pruebas de datos y los valores llenados no son valores observados.
La ventana de prueba de datos debe ser al menos tan grande como el horizonte de previsión y menor de la mitad de la duración de todo el conjunto de datos de series temporales de destino. Puede elegir entre 1 y 5 pruebas de datos.
![\[Graph showing training and testing periods for four backtest scenarios over time.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/evaluation-backtests.png)
Por lo general, al aumentar el número de pruebas de datos se obtienen métricas de precisión más fiables, ya que se utiliza una mayor parte de la serie temporal durante las pruebas y Forecast puede obtener una media de las métricas de todas las pruebas de datos.
Puede establecer los parámetros de prueba de datos mediante el kit de desarrollo de software (SDK) de Amazon Forecast y la consola Amazon Forecast.
------
#### [ Forecast SDK ]
Mediante la [CreatePredictor](API_CreatePredictor.md)operación, defina los parámetros de la prueba retrospectiva en el tipo de datos. [EvaluationParameters](API_EvaluationParameters.md) Especifique la duración del conjunto de pruebas durante la prueba de datos con el parámetro `BackTestWindowOffset` y el número de períodos de prueba de datos con el parámetro `NumberOfBacktestWindows`.
Por ejemplo, para ejecutar 2 pruebas de datos con un conjunto de pruebas de 10 puntos de tiempo, use el siguiente código.
```
"EvaluationParameters": {
"BackTestWindowOffset": 10,
"NumberOfBacktestWindows": 2
}
```
------
#### [ Forecast Console ]
Durante la etapa **Entrenar predictor**, establezca la duración del conjunto de pruebas durante las pruebas de datos con el campo de **Desplazamiento del período de prueba de datos** y el número de períodos de prueba de datos con el campo **Número de ventanas de prueba de datos**.
Por ejemplo, para ejecutar 2 pruebas de datos con un conjunto de pruebas de 10 puntos de tiempo, establezca los siguientes valores.
![\[Input fields for number of backtest windows and backtest window offset with example values.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/predictor-backtest-windows.png)
------
### HPO y AutoML
De forma predeterminada, Amazon Forecast utiliza los cuantiles `0.1` (P10), `0.5` (P50) y `0.9` (P90) para el ajuste de hiperparámetros durante la optimización de hiperparámetros (HPO) y para la selección de modelos durante AutoML. Si especifica tipos de previsión personalizados al crear un predictor, Forecast utiliza esos tipos de previsión durante la HPO y AutoML.
Si se especifican tipos de previsión personalizados, Forecast utiliza esos tipos de previsión especificados para determinar los resultados óptimos durante HPO y AutoML. Durante la HPO, Forecast utiliza el primer período de prueba de datos para encontrar los valores de hiperparámetros óptimos. Durante AutoML, Forecast utiliza los promedios de todos los períodos de prueba de datos y los valores de hiperparámetros óptimos de HPO para encontrar el algoritmo óptimo.
Tanto para AutoML como para HPO, Forecast elige la opción que minimiza las pérdidas medias en comparación con los tipos de previsión. También puede optimizar su predictor durante AutoML y HPO con una de las siguientes métricas de precisión: pérdida de cuantil ponderada media (wQL promedio), error porcentual absoluto ponderado (WAPE), error cuadrático medio (RMSE), error porcentual absoluto medio (MAPE) o error escalado medio absoluto (MASE).
Puede seleccionar una métrica de optimización mediante el kit de desarrollo de software (SDK) de Amazon Forecast y la consola de Amazon Forecast.
------
#### [ Forecast SDK ]
Mediante la operación [`CreatePredictor`](API_CreatePredictor.md), especifique los tipos de previsión personalizados en el parámetro `ObjectiveMetric`.
El parámetro `ObjectiveMetric` acepta los siguientes valores:
+ `AverageWeightedQuantileLoss`: Pérdida de cuantil ponderada media
+ `WAPE`: Error porcentual absoluto ponderado
+ `RMSE`: Error cuadrático medio
+ `MAPE`: Error porcentual absoluto medio
+ `MASE`: Error de escala absoluto medio
Por ejemplo, para crear un predictor con AutoML y optimizarlo mediante la métrica de precisión del error de escala absoluto medio (MASE), utilice el siguiente código.
```
{
...
"PerformAutoML": "true",
...
"ObjectiveMetric": "MASE",
},
```
------
#### [ Forecast Console ]
Durante la etapa **Entrenar predictor**, elija **Automático (AutoML).** En la sección **Métrica objetiva**, elija la métrica de precisión que desee utilizar para optimizar el predictor.
Por ejemplo, la siguiente imagen muestra un predictor creado con AutoML y optimizado mediante la métrica de precisión de error de escala absoluto medio (MASE).
Al utilizar la consola, solo puede especificar la métrica objetiva al crear un predictor mediante AutoML. Si selecciona un algoritmo manualmente, no podrá especificar la métrica objetiva para HPO.
------
# Predictores de reentrenamiento
**nota**
El reentrenamiento solo está disponible para los predictores creados con AutoPredictor () [`CreateAutoPredictor`](API_CreateAutoPredictor.md). Puede actualizar los predictores heredados existentes a. AutoPredictor Consulte [Actualizando a AutoPredictor](howitworks-predictor.md#upgrading-autopredictor).
Los predictores se pueden retener con conjuntos de datos actualizados para mantener los predictores actualizados. Al volver a entrenar un predictor, Amazon Forecast mantiene los mismos valores de configuración del predictor. Tras el reentrenamiento, el predictor original permanecerá activo y el predictor reentrenado tendrá un ARN de predictor independiente.
El reentrenamiento de un predictor puede mejorar la precisión de la previsión de dos maneras:
1. **Datos más actuales**: su predictor rediseñado incorporará más up-to-date datos al entrenar un modelo.
1. **Mejoras del predictor**: su predictor reentrenado incorporará todas las actualizaciones y mejoras en los algoritmos de Amazon Forecast y en los conjuntos de datos adicionales.
Reentrenar un predictor puede ser hasta un 50 % más rápido que crear un nuevo predictor desde cero. Los tiempos de entrenamiento del predictor son más rápidos, y Forecast utiliza automáticamente los ajustes de configuración existentes.
**Cuadernos de Python**
[Para obtener una step-by-step guía sobre el reentrenamiento de los predictores, consulte Reentrenamiento de un predictor.](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb)
Puede reentrenar un predictor mediante el kit de desarrollo de software (SDK) o la consola Amazon Forecast.
------
#### [ Console ]
**Para entrenar un predictor**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En el panel de navegación, elija **Predictores**.
1. Elija el predictor que desee volver a entrenar.
1. En el menú desplegable **Acciones del predictor**, elija **Volver a entrenar**.
1. Establezca un nombre único para el predictor actualizado.
1. Elija **Entrenar predictor**.
------
#### [ SDK ]
**Para entrenar un predictor**
Mediante la operación [`CreateAutoPredictor`](API_CreateAutoPredictor.md), asigne al predictor un nombre único y establezca el valor de `ReferencePredictorArn` en el predictor que desee volver a entrenar.
```
{
"PredictorName": "RetrainedPredictor",
"ReferencePredictorArn": "arn:aws:forecast:us-west-2:938097332257:predictor/OriginalPredictor"
}
```
Al volver a entrenar un predictor, asigne valores únicamente a los parámetros `PredictorName` y `ReferencePredictorArn`.
------
# Índice meteorológico
El Índice meteorológico de Amazon Forecast es una caracterización integrada que incorpora información meteorológica histórica y proyectada en su modelo. Resulta especialmente útil para los casos de uso en el sector minorista, en los que la temperatura y las precipitaciones pueden afectar considerablemente a la demanda de productos.
Cuando el índice meteorológico está activado, Forecast aplica la caracterización del clima solo a las series temporales en las que detecta mejoras en la precisión durante el entrenamiento del predictor. Si complementar una serie temporal con información meteorológica no mejora su precisión predictiva durante las pruebas de datos, Forecast no aplicará el índice meteorológico a esa serie temporal en particular.
Para aplicar el índice meteorológico, debe incluir un [atributo de geolocalización](#adding-geolocation) en su conjunto de datos de series temporales de destino y en cualquier conjunto de datos de series temporales relacionadas. También debe especificar las [zonas horarias](#specifying-timezones) para las marcas temporales de sus series temporales de destino. Para obtener más información sobre los requisitos del conjunto de datos, consulte [Condiciones y restricciones](#weather-conditions-restrictions).
**Cuadernos de Python**
Para obtener una step-by-step guía sobre el uso del índice meteorológico, consulte [NY Taxi: Amazon Forecast with Weather Index](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index).
**Topics**
+ [
## Cómo habilitar el índice meteorológico
](#enabling-weather)
+ [
## Cómo agregar información de geolocalización a los conjuntos de datos
](#adding-geolocation)
+ [
## Especificación de zonas horarias
](#specifying-timezones)
+ [
## Condiciones y restricciones
](#weather-conditions-restrictions)
## Cómo habilitar el índice meteorológico
El índice meteorológico se activa durante la fase de entrenamiento del predictor. Al utilizar la [`CreateAutoPredictor`](API_CreateAutoPredictor.md)operación, el índice meteorológico se incluye en el tipo de [AdditionalDataset](API_AdditionalDataset.md)datos.
Antes de activar el índice meteorológico, debe incluir un atributo de geolocalización en la serie temporal de destino y en los conjuntos de datos de series temporales relacionadas, y definir las zonas horarias de las marcas temporales. Para obtener más información, consulte [Cómo añadir información de geolocalización](#adding-geolocation) y [Especificación de zonas horarias.](#specifying-timezones)
Puede habilitar Índice meteorológico con la consola de Forecast o el kit de desarrollo de software (SDK).
------
#### [ Console ]
**Para habilitar el índice meteorológico**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En **Grupos de conjuntos de datos**, elija su grupo de conjuntos de datos.
1. En el panel de navegación, elija **Predictores**.
1. Elija **Entrenar un nuevo predictor**.
1. Seleccione **Habilitar índice meteorológico**.
------
#### [ SDK ]
**Para habilitar el índice meteorológico**
Mediante la [`CreateAutoPredictor`](API_CreateAutoPredictor.md)operación, habilite el índice meteorológico añadiendo `"Name": "weather"` un tipo de [AdditionalDataset](API_AdditionalDataset.md)datos. `"Value": "true"`
```
"DataConfig": {
...
"AdditionalDatasets": [
...
{
"Name": "weather",
}
]
},
```
------
## Cómo agregar información de geolocalización a los conjuntos de datos
Para usar el índice meteorológico, debe incluir un atributo de geolocalización para cada artículo en sus series temporales de destino y conjuntos de datos de series temporales relacionadas. El atributo se define con el tipo de atributo `geolocation` dentro de los esquemas de conjuntos de datos.
Todos los valores de geolocalización de un conjunto de datos deben estar exclusivamente dentro de una sola región. Las regiones son: EE.UU. (excepto Hawái y Alaska), Canadá, Sudamérica, Centroamérica, Asia-Pacífico, Europa y África y Oriente Medio.
Especifique el atributo de geolocalización en uno de los dos formatos:
+ **Latitud y longitud** (todas las regiones): especifique la latitud y la longitud en formato decimal (ejemplo: 47,61\$1-122,33)
+ **Código postal** (solo EE.UU.): especifique el código de país (US) seguido del código postal de 5 dígitos (ejemplo: US\$198121).
El formato de latitud y longitud es compatible con todas las regiones. El formato de código postal solo se admite en la región de EE.UU.
**Topics**
+ [
### Límites de latitud y longitud
](#geolocation-bounds)
+ [
### Inclusión de la geolocalización en el esquema del conjunto de datos
](#geolocation-schema)
+ [
### Configuración del formato de geolocalización
](#geolocation-format)
### Límites de latitud y longitud
Los siguientes son los límites latitudinales y longitudinales de las regiones aceptadas:
------
#### [ US Region ]
**Límites**: latitud (24,6, 50,0), longitud (-126,0, -66,4).
![\[Map of North America showing United States, parts of Canada and Mexico with major cities.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/weather-us-bounds.png)
------
#### [ Canada Region ]
**Límites**: latitud (41,0, 75,0), longitud (-142.0, -52.0).
![\[Map showing northern Canada and parts of the US, highlighting territories and major cities.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/weather-can-bounds.PNG)
------
#### [ Europe Region ]
**Límites**: latitud (34,8, 71,8), longitud (-12,6, 44,8).
![\[Map of Northern Europe and surrounding regions showing countries and major cities.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/weather-euro-bounds.png)
------
#### [ South America Region ]
**Límites**: latitud (-56,6, 14,0), longitud (-82,4, -33,00).
![\[Map of South America showing countries, major cities, and Brazilian states.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/weather-sa-bounds.PNG)
------
#### [ Asia Pacific Region ]
**Límites**: latitud (-47,8, 55,0), longitud (67,0, 180,60).
![\[Map showing East Asia, Southeast Asia, and Australia with country names and ocean labels.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/weather-apac-bounds.png)
------
#### [ Central America Region ]
**Límites**: latitud (6,80, 33,20), longitud (-118,80, -58,20).
![\[Map showing southern US, Mexico, Central America, and Caribbean with major cities and bodies of water.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/weather-ca-bounds.png)
------
#### [ Africa & Middle East Region ]
**Límites**: latitud (-35,60, 43,40), longitud (-18,80, -58,20).
![\[Map showing North Africa, Middle East, and parts of Europe with country names and borders.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/weather-africa-bounds.png)
------
### Inclusión de la geolocalización en el esquema del conjunto de datos
Mediante la consola o la [CreateDataset](API_CreateDataset.md)operación, defina el tipo de atributo de ubicación como «geolocalización» en el esquema JSON para la serie temporal objetivo y cualquier serie temporal relacionada. Los atributos del esquema deben ordenarse tal como aparecen en los conjuntos de datos.
```
{
"Attributes":[
{
"AttributeName": "timestamp",
"AttributeType": "timestamp"
},
{
"AttributeName": "target_value",
"AttributeType": "float"
},
{
"AttributeName": "item_id",
"AttributeType": "string"
},
{
"AttributeName": "location",
"AttributeType": "geolocation"
}
]
}
```
### Configuración del formato de geolocalización
El formato del atributo de geolocalización puede estar en formato de **código postal** o de **latitud y longitud**. Puede establecer el formato de geolocalización con la consola de Forecast o el kit de desarrollo de software (SDK) de Forecast.
------
#### [ Console ]
**Para añadir un atributo de geolocalización a un conjunto de datos de series temporales**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Elija **Crear grupo de conjuntos de datos**.
1. En el **generador de esquemas**, defina el **tipo de atributo** de geolocalización en `geolocation`.
1. En el menú desplegable **Formato de geolocalización**, elija el formato de ubicación.
![\[Dataset details form with name, frequency, and schema builder for attribute specification.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/schema-builder-geolocation.png)
También puede definir sus atributos en formato JSON y seleccionar un formato de ubicación en el menú desplegable **Formato de geolocalización**.
------
#### [ SDK ]
**Para añadir un atributo de geolocalización a un conjunto de datos de series temporales**
Mediante la [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operación, `GeolocationFormat` defina el valor de en uno de los siguientes valores:
+ **Latitud y longitud** (todas las regiones): `"LAT_LONG"`
+ **Código postal** (solo EE.UU.): `"CC_POSTALCODE"`
Por ejemplo, para especificar el formato de latitud y longitud, incluya lo siguiente en la solicitud de `CreateDatasetImportJob`:
```
{
...
"GeolocationFormat": "LAT_LONG"
}
```
------
## Especificación de zonas horarias
Puede permitir que Amazon Forecast sincronice automáticamente la información de su zona horaria con el atributo de geolocalización o puede asignar manualmente una única zona horaria a todo su conjunto de datos.
**Topics**
+ [
### Sincronizar automáticamente las zonas horarias con la geolocalización
](#timezones-automatic)
+ [
### Seleccionar manualmente una zona horaria única
](#timezones-manual)
### Sincronizar automáticamente las zonas horarias con la geolocalización
Esta opción es ideal para conjuntos de datos que contienen marcas temporales en varias zonas horarias y si esas marcas temporales se expresan en hora local. Forecast asigna una zona horaria a cada artículo del conjunto de datos de series temporales de destino en función del atributo de geolocalización del artículo.
Puede sincronizar automáticamente sus marcas temporales con el atributo de geolocalización mediante la consola de Forecast o el SDK de Forecast.
------
#### [ Console ]
**Para sincronizar las zonas horarias con el atributo de geolocalización**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En el panel de navegación, elija **Crear grupo de conjunto de datos**.
1. En **Detalles de importación del conjunto de datos**, seleccione **Sincronizar la zona horaria con la ubicación**.
![\[Dataset import form with fields for name, time zone, S3 data location, and IAM role.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/sync-timezone-with-geolocation.PNG)
------
#### [ SDK ]
**Para sincronizar las zonas horarias con el atributo de geolocalización**
Mediante la [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operación, `"UseGeolocationForTimeZone"` establézcalo en`"true"`.
```
{
...
"UseGeolocationForTimeZone": "true"
}
```
------
### Seleccionar manualmente una zona horaria única
**nota**
Puede seleccionar manualmente una zona horaria fuera de la *región de EE.UU.*, la *región de Canadá*, la *región de Sudamérica*, la *región de América Central*, la *región de Asia-Pacífico*, la *región de Europa* y la *región de África y Medio Oriente*. Sin embargo, todos los valores de geolocalización deben seguir estando dentro de una de esas regiones.
Esta opción es ideal para conjuntos de datos con todas las marcas temporales dentro de una sola zona horaria, o si todas las marcas temporales están normalizadas en una sola zona horaria. El uso de esta opción aplica la misma zona horaria a todos los artículos del conjunto de datos.
El índice meteorológico acepta las siguientes zonas horarias:
**Región de EE.UU.**
+ America/Los\$1Angeles
+ America/Phoenix
+ America/Denver
+ America/Chicago
+ America/New\$1York
**Región de Canadá**
+ América/Vancouver
+ América/Edmonton
+ América/Regina
+ América/Winnipeg
+ América/Toronto
+ América/Halifax
+ América/St\$1Johns
**Región de Europa**
+ Europa/Londres
+ Europa/París
+ Europa/Helsinki
**Región de Sudamérica**
+ América/Buenos\$1Aires
+ América/Noronha
+ América/Caracas
**Región Asia-Pacífico**
+ Asia/Kabul
+ Asia/Karachi
+ Asia/Calcuta
+ Asia/Katmandú
+ Asia/Dhaka
+ Asia/Rangún
+ Asia/Bangkok
+ Asia/Singapur
+ Asia/Seúl
+ Australia/Adelaida
+ Australia/Melbourne
+ Australia/Lord\$1Howe
+ Australia/Eucla
+ Pacífico/Norfolk
+ Pacífico/Auckland
**América Central**
+ América/Puerto\$1Rico
**África y Medio Oriente**
+ África/Nairobi
+ Asia/Teherán
+ Asia/Dubái
**Otros**
+ Pacífico/Midway
+ Pacífico/Honolulú
+ Pacífico/Marquesas
+ América/Anchorage
+ Atlántico/Cabo\$1Verde
+ Asia/Anádyr
+ Pacífico/Chatham
+ Pacífico/Enderbury
+ Pacífico/Kiritimati
Seleccione una zona horaria de la lista **Otros** si los artículos de su conjunto de datos se encuentran dentro de una de las regiones aceptadas, pero las marcas horarias están estandarizadas para una zona horaria fuera de esa región.
Para obtener una lista completa de los nombres de zonas horarias válidos, consulta la [biblioteca Joda-Time](http://joda-time.sourceforge.net/timezones.html).
Puede configurar manualmente una zona horaria para sus conjuntos de datos mediante la consola de Forecast o el SDK de Forecast.
------
#### [ Console ]
**Para seleccionar una zona horaria única para su conjunto de datos**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En el panel de navegación, elija **Crear grupo de conjunto de datos**.
1. En **Detalles de importación del conjunto de datos**, seleccione **Seleccionar zona horaria**.
Por ejemplo, utilice lo siguiente para aplicar la hora de Los Ángeles (hora estándar del Pacífico) a sus conjuntos de datos.
![\[Dataset import form with fields for name, time zone, data location, and IAM role.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/select-timezone.PNG)
------
#### [ SDK ]
**Para seleccionar una zona horaria única para su conjunto de datos**
Mediante la [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operación, `"TimeZone"` establézcalo en una zona horaria válida.
Por ejemplo, utilice lo siguiente para aplicar la hora de Los Ángeles (hora estándar del Pacífico) a sus conjuntos de datos.
```
{
...
"TimeZone": "America/Los_Angeles"
}
```
------
## Condiciones y restricciones
Al utilizar el índice meteorológico se aplican las siguientes condiciones y restricciones:
+ **Algoritmos disponibles**: si se utiliza un predictor tradicional, el índice meteorológico se puede activar al entrenar un predictor con los algoritmos CNN-QR, DeepAR\$1 y Prophet. El índice meteorológico no se aplica a ARIMA, ETS ni NPTS.
+ **Frecuencia de previsión**: las frecuencias de previsión válidas son `Minutely`, `Hourly` y `Daily`.
+ **Horizonte de previsión**: el horizonte de previsión no puede extenderse más de 14 días en el futuro. Para conocer los límites del horizonte de previsión para cada frecuencia de previsión, consulte la siguiente lista:
+ `1 minute`- 500
+ `5 minutes`- 500
+ `10 minutes`- 500
+ `15 minutes`- 500
+ `Hourly`- 330
+ `Daily`- 14
+ **Duración de la serie temporal**: al entrenar un modelo con el índice meteorológico, Forecast trunca todos los conjuntos de datos de series temporales con marcas temporales antes de la fecha de inicio de la caracterización del conjunto de datos meteorológicos de Forecast. La caracterización del conjunto de datos meteorológicos de Forecast contiene las siguientes fechas de inicio:
+ **Región de EE.UU.**: 2 de julio de 2018
+ **Región de Europa**: 2 de julio de 2018
+ **Región Asia-Pacífico**: 2 de julio de 2018
+ **Región de Canadá**: 2 de julio de 2019
+ **Región de Sudamérica**: 2 de enero de 2020
+ **Región de Centroamérica**: 2 de septiembre de 2020
+ **Región de África y Medio Oriente**: 25 de marzo de 2021
Con el índice meteorológico habilitado, los puntos de datos con marcas temporales anteriores a la fecha de inicio no se utilizarán durante el entrenamiento con el predictor.
+ **Número de ubicaciones**: el conjunto de datos de la serie temporal de destino no puede superar las 2000 ubicaciones únicas.
+ **Límites regionales**: todos los artículos de sus conjuntos de datos deben estar ubicados en una sola región.
+ **Longitud mínima de la serie temporal**: debido a los requisitos de datos adicionales que se requieren al probar el índice meteorológico, la longitud mínima de un conjunto de datos de series temporales es:
`3 × ForecastHorizon + (BacktestWindows + 1) × BacktestWindowOffset`
Si sus conjuntos de datos de series temporales no cumplen este requisito, considere la posibilidad de reducir lo siguiente:
+ `ForecastHorizon`: reduzca su horizonte de previsión.
+ `BacktestWindowOffset`: reduzca la duración del conjunto de pruebas durante las pruebas de datos.
+ `BacktestWindows`: reduzca el número de pruebas de datos.
# Característica Festivos
Festivos es una característica integrada que incorpora en su modelo un conjunto de datos de información sobre los festivos nacionales diseñado por característica. Proporciona soporte nativo para los calendarios de días festivos de más de 250 países. Amazon Forecast incorpora la [biblioteca de API de Holiday](https://holidayapi.com/countries) y la [API de Jollyday](https://jollyday.sourceforge.net/data.html) para generar calendarios de días festivos.
La característica Festivos es especialmente útil en el sector minorista, donde los días festivos pueden afectar significativamente a la demanda.
La característica Festivos admite una frecuencia de previsión mínima de 5 minutos y máxima de 1 mes.
**Topics**
+ [
## Habilitación de la característica Festivos
](#enabling-holidays)
+ [
## Códigos de país
](#holidays-country-codes)
+ [
## Calendarios de días festivos adicionales
](#holiday-calendars)
## Habilitación de la característica Festivos
La característica Festivos se incluye en Amazon Forecast como un [conjunto de datos adicional](API_AdditionalDataset.md) y se habilita antes de entrenar un predictor. Se recomienda que los datos históricos contengan al menos dos años de datos. Esto permite a Forecast identificar los patrones de demanda asociados a días festivos específicos. Después de elegir un país, Festivos aplica el calendario de días festivos de ese país a todos los artículos de su conjunto de datos durante el entrenamiento.
Puede habilitar Festivos con la consola de Amazon Forecast o el kit de desarrollo de software (SDK).
------
#### [ Forecast SDK ]
Con la operación [`CreateAutoPredictor`](API_CreateAutoPredictor.md), habilite Festivos añadiendo `"Name": "holiday`" y estableciendo `"Configuration"` para asignar un código de país de dos letras `"CountryCode"`. Consulte [Códigos de país](#holidays-country-codes).
Por ejemplo, para incluir el calendario de festivos de EE.UU., utilice el siguiente código.
```
"DataConfig": {
"AdditionalDatasets": [
{
"Name": "holiday",
"Configuration": {
"CountryCode" : ["US"]
}
},
]
},
```
------
#### [ Forecast Console ]
Elija un país en el menú desplegable **País para vacaciones** durante la etapa **Entrenar predictor**.
![\[Toggle switch to activate holidays and dropdown menu to select a country for forecast accuracy.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/holidays-dropdown-2.png)
------
## Códigos de país
Amazon Forecast proporciona soporte nativo para los calendarios de días festivos de los siguientes países. Use el **código de país** al especificar un país con la API.
**Países admitidos**
| País | Código de país |
| --- | --- |
| Afganistán | AF |
| Islas Åland | AX |
| Albania | AL |
| Argelia | DZ |
| Samoa Americana | AS |
| Andorra | AD |
| Angola | AO |
| Anguila | AI |
| Antártida | AQ |
| Antigua y Barbuda | AG |
| Argentina | AR |
| Armenia | AM |
| Aruba | AW |
| Australia | AU |
| Austria | AT |
| Azerbaiyán | AZ |
| Bahamas | BS |
| Bahréin | BH |
| Bangladesh | BD |
| Barbados | BB |
| Bielorrusia | BY |
| Bélgica | BE |
| Belice | BZ |
| Benín | BJ |
| Bermudas | BM |
| Bután | BT |
| Bolivia | BO |
| Bosnia y Herzegovina | BA |
| Botsuana | BW |
| Isla Bouvet | BV |
| Brasil | BR |
| Territorio Británico del Océano Índico | IO |
| Islas Vírgenes Británicas | VG |
| Brunéi | BN |
| Bulgaria | BG |
| Burkina Faso | BF |
| Burundi | BI |
| Camboya | KH |
| Camerún | CM |
| Canadá | CA |
| Cabo Verde | CV |
| Caribe Neerlandés | BQ |
| Islas Caimán | KY |
| República Centroafricana | CF |
| Chad | TD |
| Chile | CL |
| China | CN |
| Isla de Navidad | CX |
| Islas Cocos | CC |
| Colombia | CO |
| Comoras | KM |
| Islas Cook | CK |
| Costa Rica | CR |
| Croacia | HR |
| Cuba | CU |
| Curazao | CW |
| Chipre | CY |
| Chequia | CZ |
| República Democrática del Congo | CD |
| Dinamarca | DK |
| Yibuti | DJ |
| Dominica | DM |
| República Dominicana | DO |
| Ecuador | EC |
| Egipto | EG |
| El Salvador | SV |
| Guinea Ecuatorial | GQ |
| Eritrea | ER |
| Estonia | EE |
| Suazilandia | SZ |
| Etiopía | ET |
| Islas Malvinas | FK |
| Islas Faroe | FO |
| Fiyi | FJ |
| Finlandia | FI |
| Francia | FR |
| Guayana Francesa | GF |
| Polinesia Francesa | PF |
| Territorios Australes Franceses | TF |
| Gabón | GA |
| Gambia | GM |
| Georgia | GE |
| Alemania | DE |
| Ghana | GH |
| Gibraltar | GI |
| Grecia | GR |
| Groenlandia | GL |
| Granada | GD |
| Guadalupe | GP |
| Guam | GU |
| Guatemala | GT |
| Guernsey | GG |
| Guinea | GN |
| Guinea-Bissau | GW |
| Guyana | GY |
| Haití | HT |
| Isla e McDonald islas Heard | HM |
| Honduras | HN |
| Hong Kong | HK |
| Hungría | HU |
| Iceland | IS |
| India | IN |
| Indonesia | ID |
| Irán | IR |
| Irak | IQ |
| Irlanda | IE |
| Isla de Man | IM |
| Israel | IL |
| Italia | IT |
| Costa de Marfil | CI |
| Jamaica | JM |
| Japón | JP |
| Jersey | JE |
| Jordania | JO |
| Kazajistán | KZ |
| Kenia | KE |
| Kiribati | KI |
| Kosovo | XK |
| Kuwait | KW |
| Kirguistán | KG |
| Laos | LA |
| Letonia | LV |
| Líbano | LB |
| Lesoto | LS |
| Liberia | LR |
| Libia | LY |
| Liechtenstein | LI |
| Lituania | LT |
| Luxemburgo | LU |
| Macao | MO |
| Madagascar | MG |
| Malawi | MW |
| Malasia | MY |
| Maldivas | MV |
| Mali | ML |
| Malta | MT |
| Islas Marshall | MH |
| Martinica | MQ |
| Mauritania | MR |
| Mauricio | MU |
| Mayotte | YT |
| México | MX |
| Micronesia | FM |
| Moldavia | MD |
| Mónaco | MC |
| Mongolia | MN |
| Montenegro | ME |
| Montserrat | MS |
| Marruecos | MA |
| Mozambique | MZ |
| Myanmar | MM |
| Namibia | NA |
| Nauru | NR |
| Nepal | NP |
| Países Bajos | NL |
| Nueva Caledonia | NC |
| Nueva Zelanda | NZ |
| Nicaragua | NI |
| Níger | NE |
| Nigeria | NG |
| Niue | NU |
| Isla Norfolk | NF |
| Corea del Norte | KP |
| Macedonia del Norte | MK |
| Islas Marianas del Norte | MP |
| Noruega | NO |
| Omán | OM |
| Pakistán | PK |
| Palaos | PW |
| Palestina | PS |
| Panamá | PA |
| Papúa Nueva Guinea | PG |
| Paraguay | PY |
| Perú | PE |
| Filipinas | PH |
| Islas Pitcairn | PN |
| Polonia | PL |
| Portugal | PT |
| Puerto Rico | PR |
| Catar | QA |
| República del Congo | CG |
| Reunión | RE |
| Rumanía | RO |
| Federación de Rusia | RU |
| Ruanda | RW |
| San Bartolomé | BL |
| Santa Elena, Ascensión y Tristán de Acuña | SH |
| San Cristóbal y Nieves | KN |
| Santa Lucía | LC |
| San Martín (Francia) | MF |
| San Pedro y Miquelón | PM |
| San Vicente y las Granadinas | VC |
| Samoa | WS |
| San Marino | SM |
| Santo Tomé y Príncipe | ST |
| Arabia Saudí | SA |
| Senegal | SN |
| Serbia | RS |
| Seychelles | SC |
| Sierra Leona | SL |
| Singapur | SG |
| San Martín (Países Bajos) | SX |
| Eslovaquia | SK |
| Eslovenia | SI |
| Islas Salomón | SB |
| Somalia | SO |
| Sudáfrica | ZA |
| Islas Georgias del Sur y Sandwich del Sur | GS |
| Corea del Sur | KR |
| Sudán del Sur | SS |
| España | ES |
| Sri Lanka | LK |
| Sudán | SD |
| Surinam | SR |
| Svalbard y Jan Mayen | SJ |
| Suecia | SE |
| Suiza | CH |
| República Árabe Siria | SY |
| Taiwán | TW |
| Tayikistán | TJ |
| Tanzania | TZ |
| Tailandia | TH |
| Timor Oriental | TL |
| Togo | TG |
| Tokelau | TK |
| Tonga | TO |
| Trinidad y Tobago | TT |
| Túnez | TN |
| Turquía | TR |
| Turkmenistán | TM |
| Islas Turcas y Caicos | TC |
| Tuvalu | TV |
| Uganda | UG |
| Ucrania | UA |
| Emiratos Árabes Unidos | AE |
| Reino Unido | GB |
| Naciones Unidas | UN |
| Estados Unidos | US |
| Islas Ultramarinas Menores de Estados Unidos | UM |
| Islas Vírgenes de los Estados Unidos | VI |
| Uruguay | UY |
| Uzbekistán | UZ |
| Vanuatu | VU |
| Ciudad del Vaticano | VA |
| Venezuela | VE |
| Vietnam | VN |
| Wallis y Futuna | WF |
| Sahara Occidental | EH |
| Yemen | YE |
| Zambia | ZM |
| Zimbabue | ZW |
## Calendarios de días festivos adicionales
Amazon Forecast también admite los días festivos de la India, Corea y los Emiratos Árabes Unidos. A continuación aparecen sus días festivos.
------
#### [ India - "IN" ]
26 de enero: Día de la República
15 de agosto: Día de la Independencia
2 de octubre: Gandhi Jayanti
------
#### [ Korea - "KR" ]
1 de enero: año nuevo
1 de marzo: Día del Movimiento Independentista
5 de mayo: Día del Niño
6 de junio: Día de los Caídos
15 de agosto: Día de la Liberación
3 de octubre: Día de la Fundación Nacional
9 de octubre: Día de Hangul
25 de diciembre: día de Navidad
------
#### [ United Arab Emirates - "AE" ]
1 de enero: año nuevo
1 de diciembre: Día de la Conmemoración
2-3 de diciembre: Día Nacional
Ramadán\$1
Eid al-Fitr\$1
Eid al-Adha\$1
Año nuevo islámico\$1
\$1Las fiestas islámicas están determinadas por los ciclos lunares.
------
# Explicabilidad del predictor.
La explicabilidad del predictor le ayuda a comprender mejor cómo afectan los atributos de sus conjuntos de datos a la variable de destino. Forecast utiliza una métrica llamada puntuaciones de impacto para cuantificar el impacto relativo de cada atributo y determinar si aumentan o disminuyen los valores de previsión.
Por ejemplo, imaginemos un escenario de previsión en el que el objetivo es `sales` y hay dos atributos relacionados: `price` y `color`. Forecast puede determinar que el precio de un artículo tiene un impacto significativo en las ventas (puntuación de impacto alta), mientras que el color del artículo tiene un efecto insignificante (puntuación de impacto baja).
Para habilitar la explicabilidad del predictor, su predictor debe incluir al menos uno de los siguientes elementos: series temporales relacionadas, metadatos de artículos o conjuntos de datos adicionales, como Días festivos e Índice meteorológico. Para obtener más información, consulte [Restricciones y prácticas recomendadas](#predictor-explainability-best-practices).
Para ver las puntuaciones de impacto agregadas de todas las series temporales y puntos de tiempo de sus conjuntos de datos, utilice Explicabilidad de previsión en lugar de Explicabilidad del predictor. Consulte [Explicabilidad de previsión](forecast-explainability.md).
**Topics**
+ [
## Interpretación de las puntuaciones de impacto
](#predictor-explainability-impact-scores)
+ [
## Creación de la explicabilidad del predictor
](#creating-predictor-explainability)
+ [
## Exportación de la explicabilidad del predictor
](#exporting-predictor-explainability)
+ [
## Restricciones y prácticas recomendadas
](#predictor-explainability-best-practices)
## Interpretación de las puntuaciones de impacto
Las puntuaciones de impacto miden el impacto relativo que tienen los atributos en los valores de previsión. Por ejemplo, si el atributo “precio” tiene una puntuación de impacto dos veces superior a la del atributo “ubicación de tienda”, podemos concluir que el precio de un artículo tiene el doble de impacto en los valores de previsión que la ubicación de la tienda.
Las puntuaciones de impacto también proporcionan información sobre si los atributos aumentan o disminuyen los valores de previsión. En la consola, esto se indica mediante los dos gráficos. Los atributos con barras azules aumentan los valores de previsión, mientras que los atributos con barras rojas disminuyen los valores de previsión.
![\[Bar graphs showing Price and Promo increasing impact scores, StoreLocation decreasing impact score.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/quicksight-unfiltered.png)
En la consola, las puntuaciones de impacto van de 0 a 1, donde una puntuación de 0 indica que no hay impacto y una puntuación cercana a 1 indica un impacto significativo. En el SDKs, las puntuaciones del impacto van de -1 a 1, donde el signo indica la dirección del impacto.
Es importante tener en cuenta que las puntuaciones de impacto miden el impacto relativo de los atributos, no el impacto absoluto. Por lo tanto, las puntuaciones de impacto no se pueden utilizar para determinar si determinados atributos mejoran la precisión del modelo. Si un atributo tiene una puntuación de impacto baja, eso no significa necesariamente que tenga un impacto bajo en los valores de previsión; significa que tiene un impacto menor en los valores de previsión que otros atributos utilizados por el predictor.
## Creación de la explicabilidad del predictor
**nota**
Puede crear un máximo de una explicabilidad del predictor por predictor
Al activar la explicabilidad del predictor, Amazon Forecast calcula las puntuaciones de impacto de todos los atributos de sus conjuntos de datos. Las puntuaciones de impacto se pueden interpretar como el impacto que tienen los atributos en los valores generales de las previsiones. Puede habilitar la explicabilidad del predictor cuando cree un predictor o puede habilitar la característica después de crear el predictor.
### Cómo habilitar la explicabilidad del predictor para un nuevo predictor
Al habilitar la explicabilidad del predictor al crear un nuevo predictor, se crearán tanto un recurso de predictor como un recurso de explicabilidad. Puede habilitar Explicabilidad del predictor para un nuevo predictor mediante el kit de desarrollo de software (SDK) o la consola Amazon Forecast.
------
#### [ Console ]
**Para habilitar Explicabilidad del predictor**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En **Grupos de conjuntos de datos**, elija su grupo de conjuntos de datos.
1. En el panel de navegación, elija **Predictores**.
1. Elija **Entrenar un nuevo predictor**.
1. En la sección de **Configuración del predictor**, elija **Habilitar explicabilidad**.
1. Proporcione valores para los siguientes campos obligatorios:
+ **Nombre**: un nombre de predictor único.
+ **Frecuencia de previsión**: la granularidad de sus previsiones.
+ **Horizonte de previsión**: el número de pasos de tiempo que se preven.
1. Elija **Inicio**
------
#### [ Python ]
Para permitir la explicabilidad de un nuevo predictor con el SDK para Python (Boto3), usa el método y establécelo en true. `create_auto_predictor` ExplainPredictor
El siguiente código crea un autopredictor que hace predicciones para 24 (`ForecastHorizon`) días (`ForecastFrequency`) en el futuro y que tiene `ExplainPredictor` establecido en true. Para obtener más información acerca de los parámetros obligatorios y opcionales, consulte [CreateAutoPredictor](API_CreateAutoPredictor.md).
```
import boto3
forecast = boto3.client('forecast')
create_predictor_response = forecast.create_auto_predictor(
PredictorName = 'predictor_name',
ForecastHorizon = 24,
ForecastFrequency = 'D',
DataConfig = {
"DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName"
},
ExplainPredictor = True
)
```
------
### Cómo habilitar la explicabilidad del predictor para un predictor existente
Al habilitar la explicabilidad del predictor para un predictor existente, se creará un recurso de explicabilidad para ese recurso. Solo puede crear un recurso de explicabilidad para los predictores que aún no contengan un recurso de explicabilidad. Para ver las puntuaciones de impacto de un conjunto de datos actualizado, vuelva a entrenar o vuelva a crear el predictor con los datos actualizados.
Puede habilitar Explicabilidad del predictor para un nuevo predictor mediante el kit de desarrollo de software (SDK) o la consola Amazon Forecast.
------
#### [ Console ]
**Para habilitar Explicabilidad del predictor**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En **Grupos de conjuntos de datos**, elija su grupo de conjuntos de datos.
1. En el panel de navegación, elija **Predictores**.
1. Elija su predictor.
1. En la sección de **Explicabilidad del predictor**, elija **Habilitar explicabilidad**.
1. Proporcione un nombre único para la explicabilidad del predictor.
1. Elija **Inicio**
------
#### [ Python ]
Para habilitar Explicabilidad del predictor de un predictor existente con el SDK para Python (Boto3), utilice el método `create_explainability`. Especifique un nombre para la explicabilidad, el ARN para el predictor y para `ExplainabilityConfig`, establezca `TimePointGranularity` y `TimeSeriesGranularity` en **ALL**. Para crear una visualización de Explicabilidad que se pueda ver en la consola, establezca `EnableVisualization` en **True**.
Para obtener más información acerca de los parámetros obligatorios y opcionales, consulte [CreateExplainability](API_CreateExplainability.md).
```
import boto3
forecast = boto3.client('forecast')
create_explainability_response = forecast.create_explainability(
ExplainabilityName = 'explainability_name',
ResourceArn = 'arn:aws:forecast:region:accountNumber:predictor/predictorName',
ExplainabilityConfig = {
"TimePointGranularity": "ALL",
"TimeSeriesGranularity": "ALL"
},
EnableVisualization = True
)
```
------
## Exportación de la explicabilidad del predictor
**nota**
Los archivos de exportación pueden devolver directamente información de la importación del conjunto de datos. Esto hace que los archivos sean vulnerables a ejecuciones CSV si los datos importados contienen fórmulas o comandos. Por este motivo, los archivos exportados pueden provocar advertencias de seguridad. Para evitar actividades maliciosas, desactive los enlaces y las macros al leer los archivos exportados.
Forecast le permite exportar un archivo CSV o Parquet de puntuaciones de impacto a una ubicación de S3. Las puntuaciones de impacto van de -1 a 1, y el signo indica la dirección del impacto. Puede exportar puntuaciones de impacto mediante el kit de desarrollo de software (SDK) de Amazon Forecast y la consola Amazon Forecast.
![\[Table showing normalized impact scores for price, promotion, weather index, and US holidays.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/explainability-global.png)
------
#### [ Console ]
**Para exportar Explicabilidad del predictor**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En **Grupos de conjuntos de datos**, elija su grupo de conjuntos de datos.
1. En el panel de navegación, elija **Predictores**.
1. Elija su predictor.
1. En la sección de **Explicabilidad del predictor**, elija **Exportar**.
1. Para el campo **Nombre de exportación**, proporcione un nombre exclusivo para la exportación.
1. Para el campo **Ubicación de exportación de explicabilidad de S3**, proporcione una ubicación de S3 para exportar el archivo CSV.
1. Para el campo **Rol de IAM**, proporcione un rol con acceso a la ubicación de S3 especificada.
1. Elija **Crear exportación**.
------
#### [ Python ]
Para exportar una explicabilidad del predictor con el SDK para Python (Boto3), utilice el método `create_explainability_export`. Asigne un nombre al trabajo, especifique el ARN de la explicabilidad y, en el objeto `Destination`, especifique la ubicación de destino de Amazon S3 y el rol de servicio de IAM.
Para obtener más información acerca de los parámetros obligatorios y opcionales, consulte [CreateExplainabilityExport](API_CreateExplainabilityExport.md).
```
import boto3
forecast = boto3.client('forecast')
export_response = forecast.create_explainability_export(
Destination = {
"S3Config": {
"Path": "s3://bucketName/filename.csv",
"RoleArn": "arn:aws:iam::accountNumber:role/roleName"
}
},
ExplainabilityArn = 'arn:aws:forecast:region:accountNumber:explainability/explainabilityName',
ExplainabilityExportName = 'job_name'
)
```
------
## Restricciones y prácticas recomendadas
Tenga en cuenta las siguientes restricciones y prácticas recomendadas para trabajar con Explicabilidad del predictor.
+ La **explicabilidad de los predictores solo está disponible para algunos predictores creados con AutoPredictor**: no se puede habilitar la explicabilidad para los predictores antiguos que se crearon con AutoML o mediante una selección manual. [ AutoPredictorConsulte Actualizar a.](howitworks-predictor.md#upgrading-autopredictor)
+ La **explicabilidad predictiva no está disponible en todos los modelos: los modelos** ARIMA (media móvil AutoRegressive integrada), ETS (modelo espacial de estados suavizados exponenciales) y NPTS (series temporales no paramétricas) no incorporan datos de series temporales externas. Por lo tanto, estos modelos no crean un informe de explicabilidad, incluso si se incluyen los conjuntos de datos adicionales.
+ La **explicabilidad requiere atributos**: el predictor debe incluir al menos uno de los siguientes elementos: series temporales relacionadas, metadatos de los artículos, días festivos o el índice meteorológico.
+ **Los predictores están limitados a un recurso de explicabilidad**: no se pueden crear varios recursos de explicabilidad para un predictor. Si está interesado en las puntuaciones de impacto para un conjunto de datos actualizado, vuelva a entrenar su predictor.
+ **Las puntuaciones de impacto de cero indican que no hay impacto**: si un atributo tiene una puntuación de impacto de 0, dicho atributo no tendrá un impacto significativo en los valores de previsión.
+ **Reintentar los trabajos de Explicabilidad de Predictor fallidos:** si Forecast crea correctamente un Predictor pero el trabajo de Explicabilidad de Predictor falla, puede volver a intentar crear Predictor Explicability en la consola o con la operación. CreateExplainability
+ **No puede crear puntuaciones de impacto para puntos de tiempo y series temporales específicos**. Para ver las puntuaciones de impacto para puntos de tiempo y series temporales específicos, consulte [Explicabilidad de previsión](forecast-explainability.md).
+ **Las visualizaciones de Explicabilidad del predictor están disponibles durante 90 días después de su creación**: para ver la visualización después de 90 días, vuelva a entrenar el predictor.
# Supervisión de predictores
**nota**
Si habilita la supervisión de predictores, Amazon Forecast almacenará los datos de cada una de sus previsiones para analizar el rendimiento de los predictores, incluso después de eliminar los datos de las previsiones. Para eliminar estos datos, elimine el recurso de supervisión.
La supervisión del predictor le permite ver cómo cambia el rendimiento de su predictor a lo largo del tiempo. Diversos factores pueden provocar cambios en el rendimiento, como la evolución económica o los cambios en el comportamiento de los clientes.
Por ejemplo, imaginemos un escenario de previsión en el que el objetivo es `sales` y hay dos atributos relacionados: `price` y `color`. En los meses posteriores a la creación del primer predictor, es posible que algunos colores se vuelvan más populares entre los clientes de forma inesperada. Esto podría aumentar las ventas de artículos con este atributo. Estos nuevos datos podrían afectar al rendimiento del predictor y a la precisión de las previsiones que genera.
Con la supervisión de predictores habilitada, Forecast analiza el rendimiento de su predictor a medida que genera previsiones e importa más datos. Forecast compara los nuevos datos con las previsiones anteriores para detectar cualquier cambio en el rendimiento. Puede ver gráficos de cómo han cambiado las diferentes métricas de precisión a lo largo del tiempo en la consola de Forecast. O bien, puede obtener los resultados de la supervisión con la operación [ListMonitorEvaluations](API_ListMonitorEvaluations.md).
La supervisión de predictores puede ayudar a decidir si ha llegado el momento de volver a entrenar el predictor. Si el rendimiento se está degradando, es posible que desee volver a entrenar el predictor con datos más recientes. Si decide volver a entrenar el predictor, el nuevo predictor incluirá los datos de supervisión del anterior. También puede utilizar la supervisión de predictores para recopilar datos contextuales sobre su entorno de producción o para realizar comparaciones entre distintos experimentos.
La monitorización de predictores solo está disponible para AutoPredictors. Puede actualizar los predictores heredados existentes a. AutoPredictor Consulte [Actualizar a. AutoPredictor](howitworks-predictor.md#upgrading-autopredictor)
**Topics**
+ [
## Flujo de trabajo de supervisión de predictores
](#predictor-monitoring-workflow)
+ [
# Cómo habilitar la supervisión de predictores
](enabling-predictor-monitoring.md)
+ [
# Visualización de resultados de supervisión
](predictor-monitoring-results.md)
+ [
## Restricciones y prácticas recomendadas
](#predictor-monitoring-best-practices)
## Flujo de trabajo de supervisión de predictores
Para obtener los resultados de la supervisión de los predictores, primero debe utilizar el predictor para generar una previsión y, a continuación, importar más datos. El flujo de trabajo de supervisión es el siguiente:
1. Habilite la supervisión de predictores para un autopredictor:
+ Cree un nuevo predictor con la supervisión habilitada. Consulte [Cómo habilitar la supervisión de un predictor para un nuevo predictor](enabling-predictor-monitoring.md#enabling-predictor-monitoring-new).
+ O habilite la supervisión para un predictor existente. Consulte [Cómo habilitar la supervisión de predictores para un predictor existente](enabling-predictor-monitoring.md#enabling-predictor-monitoring-existing).
1. Utilice el predictor para generar una o más previsiones.
1. Importe más datos. Para obtener información sobre cómo importar datos en Forecast, consulte [Importación de conjuntos de datos](howitworks-datasets-groups.md).
1. Vea los resultados de la supervisión de predictores:
+ Puede ver los resultados en la pestaña **Supervisión ** del predictor.
+ O bien, puede obtener los resultados de la supervisión con la operación [ListMonitorEvaluations](API_ListMonitorEvaluations.md).
Para obtener más información, consulte [Visualización de resultados de supervisión](predictor-monitoring-results.md).
# Cómo habilitar la supervisión de predictores
Puede habilitar la supervisión de predictores al crear el predictor o puede habilitarla para un predictor existente.
**nota**
La monitorización de predictores solo está disponible para AutoPredictors. Puede actualizar los predictores heredados existentes a. AutoPredictor Consulte [Actualizar a. AutoPredictor](howitworks-predictor.md#upgrading-autopredictor)
**Topics**
+ [
## Cómo habilitar la supervisión de un predictor para un nuevo predictor
](#enabling-predictor-monitoring-new)
+ [
## Cómo habilitar la supervisión de predictores para un predictor existente
](#enabling-predictor-monitoring-existing)
## Cómo habilitar la supervisión de un predictor para un nuevo predictor
Puede habilitar la supervisión de un predictor nuevo con la consola, AWS CLI AWS SDKs, y la [CreateAutoPredictor](API_CreateAutoPredictor.md) operación.
------
#### [ Console ]
**Para habilitar la supervisión de predictores**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En **Grupos de conjuntos de datos**, elija su grupo de conjuntos de datos.
1. En el panel de navegación, elija **Predictores**.
1. Elija **Entrenar un nuevo predictor**.
1. En la sección de **Configuración del predictor**, elija **Habilitar supervisión**.
1. Proporcione valores para los siguientes campos obligatorios:
+ **Nombre**: un nombre de predictor único.
+ **Frecuencia de previsión**: la granularidad de sus previsiones.
+ **Horizonte de previsión**: el número de pasos de tiempo que se preven.
1. Elija **Iniciar** para crear un predictor automático con la supervisión habilitada. Verá los resultados de la supervisión a medida que utilice el predictor para generar previsiones y, a continuación, importar más datos.
------
#### [ Python ]
Para habilitar la supervisión de un predictor nuevo con el SDK para Python (Boto3), utilice el método `create_auto_predictor` y dé un nombre de monitor en la `MonitoringConfig`.
El siguiente código crea un autopredictor que hace predicciones para 24 (`ForecastHorizon`) días (`ForecastFrequency`) en el futuro y and especifique `MyPredictorMonitor` como el `MonitorName`. Después de generar una previsión y, a continuación, importar más datos, podrá ver los resultados de la supervisión de predictores. Para obtener más información acerca de la recuperación de resultados, consulte [Visualización de resultados de supervisión](predictor-monitoring-results.md).
Para obtener más información acerca de los parámetros obligatorios y opcionales para crear un predictor, consulte [CreateAutoPredictor](API_CreateAutoPredictor.md).
```
import boto3
forecast = boto3.client('forecast')
create_predictor_response = forecast.create_auto_predictor(
PredictorName = 'predictor_name',
ForecastHorizon = 24,
ForecastFrequency = 'D',
DataConfig = {
"DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName"
},
MonitorConifg = {
"MonitorName": "MyMonitorName"
}
)
```
------
## Cómo habilitar la supervisión de predictores para un predictor existente
Puede habilitar la monitorización de un predictor existente con la consola AWS CLI, y. AWS SDKs
------
#### [ Console ]
**Para habilitar la supervisión de predictores**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En **Grupos de conjuntos de datos**, elija su grupo de conjuntos de datos.
1. En el panel de navegación, elija **Predictores**.
1. Elija su predictor.
1. Navegue hasta la pestaña **Supervisión**.
1. En la sección **Detalles de supervisión**, seleccione **Iniciar supervisión**
Cuando el **estado de supervisión** es Activo, la supervisión predictora estará habilitada. Después de generar una previsión y, a continuación, importar más datos, podrá ver los resultados de la supervisión de predictores. Para obtener más información consulte [Visualización de resultados de supervisión](predictor-monitoring-results.md)
------
#### [ Python ]
Para habilitar la supervisión de predictores de un predictor existente con el SDK para Python (Boto3), utilice el método `create_monitor`. Especifique un nombre para la supervisión y para `ResourceArn`, especifique el nombre de recurso de Amazon (ARN) para el predictor que desea supervisar. Utilice el método `describe_monitor` y proporcione el ARN del monitor para obtener el estado del monitor. Después de generar una previsión y, a continuación, importar más datos, podrá ver los resultados de la supervisión de predictores. Para obtener más información, consulte [Visualización de resultados de supervisión](predictor-monitoring-results.md).
Para obtener más información acerca de los parámetros obligatorios y opcionales, consulte la [CreateMonitor](API_CreateMonitor.md) y la [DescribeMonitor](API_DescribeMonitor.md).
```
import boto3
forecast = boto3.client('forecast')
create_monitor_response = forecast.create_monitor(
MonitorName = 'monitor_name',
ResourceArn = 'arn:aws:forecast:region:accountNumber:predictor/predictorName'
)
monitor_arn = create_monitor_response['MonitorArn']
describe_monitor_response = forecast.describe_monitor(
MonitorArn = monitor_arn
)
print("Monitor status: " + describe_monitor_response['Status'])
```
------
# Visualización de resultados de supervisión
Después de generar una previsión y, a continuación, importar más datos, podrá ver los resultados de la supervisión de predictores. Puede ver una visualización de los resultados con la consola Forecast o puede recuperar los resultados mediante programación con la operación [ListMonitorEvaluations](API_ListMonitorEvaluations.md).
La consola de Forecast muestra gráficos de los resultados de cada [métrica del predictor](metrics.md). Los gráficos incluyen cómo ha cambiado cada métrica a lo largo de la vida del predictor y de los eventos del predictor, como el reentrenamiento.
La operación [ListMonitorEvaluations](API_ListMonitorEvaluations.md) devuelve los resultados de las métricas y los eventos del predictor para distintos períodos de tiempo.
------
#### [ Console ]
**Para ver los resultados de la supervisión de predictores:**
1. Inicie sesión en la consola Amazon Forecast Consola de administración de AWS y ábrala en [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. En **Grupos de conjuntos de datos**, elija su grupo de conjuntos de datos.
1. En el panel de navegación, elija **Predictores**.
1. Seleccione el predictor y elija la pestaña **Supervisión**.
+ La sección **Resultados de supervisión** muestra cómo han cambiado las diferentes métricas de precisión a lo largo del tiempo. Utilice la lista desplegable para cambiar la métrica que realiza seguimiento del gráfico.
+ La sección **Historial de supervisión** muestra los detalles de los diferentes eventos rastreados en los resultados.
A continuación se muestra un ejemplo de un gráfico que muestra cómo ha cambiado la puntuación `Avg wQL` de un predictor a lo largo del tiempo. En este gráfico, observe que el valor de `Avg wQL` aumenta con el tiempo. Este aumento indica que la precisión del predictor está disminuyendo. Utilice esta información para determinar si necesita revalidar el modelo y tomar medidas.
![\[Graph showing increasing Avg wQL score over time, indicating decreasing predictor accuracy.\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/predictor-drift.png)
------
#### [ SDK for Python (Boto3) ]
Para obtener resultados de supervisión con el SDK para Python (Boto3), use el método `list_monitor_evaluations`. Proporcione el nombre de recurso de Amazon (ARN) del monitor y, de forma opcional, especifique el número máximo de resultados que desea recuperar con el parámetro `MaxResults`. Si lo desea, especifique un `Filter` para filtrar los resultados. Puede filtrar las evaluaciones por un `EvaluationState` de `SUCCESS` o `FAILURE`: El siguiente código permite obtener un máximo de 20 evaluaciones de supervisión correctas.
```
import boto3
forecast = boto3.client('forecast')
monitor_results = forecast.list_monitor_evaluations(
MonitorArn = 'monitor_arn',
MaxResults = 20,
Filters = [
{
"Condition": "IS",
"Key": "EvaluationState",
"Value": "SUCCESS"
}
]
)
print(monitor_results)
```
A continuación, se muestra un ejemplo de respuesta JSON.
```
{
"NextToken": "string",
"PredictorMonitorEvaluations": [
{
"MonitorArn": "MonitorARN",
"ResourceArn": "PredictorARN",
"EvaluationTime": "2020-01-02T00:00:00Z",
"EvaluationState": "SUCCESS",
"WindowStartDatetime": "2019-01-01T00:00:00Z",
"WindowEndDatetime": "2019-01-03T00:00:00Z",
"PredictorEvent": {
"Detail": "Retrain",
"Datetime": "2020-01-01T00:00:00Z"
},
"MonitorDataSource": {
"DatasetImportJobArn": "arn:aws:forecast:region:accountNumber:dataset-import-job/*",
"ForecastArn": "arn:aws:forecast:region:accountNumber:forecast/*",
"PredictorArn": "arn:aws:forecast:region:accountNumber:predictor/*",
},
"MetricResults": [
{
"MetricName": "AverageWeightedQuantileLoss",
"MetricValue": 0.17009070456599376
},
{
"MetricName": "MAPE",
"MetricValue": 0.250711322309796
},
{
"MetricName": "MASE",
"MetricValue": 1.6275608734888485
},
{
"MetricName": "RMSE",
"MetricValue": 3100.7125081405547
},
{
"MetricName": "WAPE",
"MetricValue": 0.17101159704738722}
]
}
]
}
```
------
## Restricciones y prácticas recomendadas
Tenga en cuenta las siguientes restricciones y prácticas recomendadas para trabajar con la supervisión de predictores.
+ **Supervisión de predictores solo está disponible para autopredictores**: no puede habilitar la supervisión para los predictores heredados que se crearon con AutoML o mediante una selección manual. Consulte [Actualización a AutoPredictor](howitworks-predictor.md#upgrading-autopredictor).
+ **La supervisión de predictores es única para cada autopredictor**: solo puede crear un monitor por cada autopredictor.
+ **La supervisión de predictores requiere nuevos datos y la generación de previsiones**: a medida que se importan nuevos datos que se utilizan para generar nuevas previsiones, los resultados de la supervisión de predictores estarán disponibles. Si no está importando datos nuevos o los datos recién importados no cubren un horizonte de previsión completo, no verá los resultados de la supervisión.
+ **La supervisión de predictores requiere nuevas previsiones**: debe generar nuevas previsiones de forma continua para generar los resultados de la supervisión. Si no está generando nuevas previsiones, no verá los resultados de la supervisión.
+ **Amazon Forecast almacenará los datos de cada una de sus previsiones para el análisis del rendimiento de los predictores**: Forecast almacena estos datos incluso si elimina las previsiones. Para eliminar estos datos, elimine el monitor asociado.
+ La operación [StopResource](API_StopResource.md) detendrá todas las evaluaciones actuales y futuras.
+ La métrica AvgWQL solo está disponible cuando se generan previsiones para cuantiles distintos de la media.
+ Las evaluaciones del monitor en curso no se muestran en la operación [ListMonitorEvaluations](API_ListMonitorEvaluations.md).
# Algoritmos de Amazon Forecast
Un predictor de Amazon Forecast utiliza un algoritmo para entrenar un modelo con sus conjuntos de datos de series temporales. A continuación, el modelo entrenado se utiliza para generar métricas y predicciones.
Si no está seguro de qué algoritmo usar para entrenar su modelo, elija AutoML al crear un predictor y deje que Forecast entrene el modelo óptimo para sus conjuntos de datos. De lo contrario, puede seleccionar de forma manual uno de los algoritmos de Amazon Forecast.
**Cuadernos de Python**
Para obtener una step-by-step guía sobre el uso de AutoML, consulte [Introducción a AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).
## Algoritmos de previsión integrados
Amazon Forecast ofrece seis algoritmos integrados entre los que puede elegir. Estos van desde algoritmos estadísticos de uso común, como Autoregressive Integrated Moving Average (ARIMA), hasta algoritmos complejos de redes neuronales, como CNN-QR y DeepAR\$1.
### [CNN-QR](aws-forecast-algo-cnnqr.md)
`arn:aws:forecast:::algorithm/CNN-QR`
Amazon Forecast CNN-QR, Red neuronal convolucional: regresión cuantil, es un algoritmo de aprendizaje automático patentado para pronosticar series temporales mediante redes neuronales convolucionales causales (). CNNs CNN-QR funciona mejor con conjuntos de datos grandes que contienen cientos de series temporales. Acepta metadatos de artículos y es el único algoritmo de Forecast que acepta datos de series temporales relacionadas sin valores futuros.
### [DeepAR\$1](aws-forecast-recipe-deeparplus.md)
`arn:aws:forecast:::algorithm/Deep_AR_Plus`
Amazon Forecast DeepAr\$1 es un algoritmo de aprendizaje automático patentado para pronosticar series temporales mediante redes neuronales recurrentes (). RNNs DeepAR\$1 funciona mejor con conjuntos de datos grandes que contienen cientos de series temporales de características. El algoritmo acepta series temporales y metadatos de artículos relacionados con el futuro.
### [Prophet](aws-forecast-recipe-prophet.md)
`arn:aws:forecast:::algorithm/Prophet`
Prophet es un algoritmo de previsión de series temporales basado en un modelo aditivo en el que las tendencias no lineales se ajustan a la estacionalidad anual, semanal y diaria. Funciona mejor con series temporales con fuertes efectos estacionales y con una cantidad de datos históricos que refleje varios periodos estacionales.
### [NPTS](aws-forecast-recipe-npts.md)
`arn:aws:forecast:::algorithm/NPTS`
El algoritmo patentado Non-Parametric Time Series (NPTS) de Amazon Forecast es un analista probabilístico escalable de referencia. El NPTS resulta especialmente útil cuando se trabaja con series temporales dispersas o intermitentes. Forecast proporciona cuatro variantes de algoritmo: NPTS estándar, NPTS estacional, Analista climatológico y Analista climatológico estacional.
### [ARIMA](aws-forecast-recipe-arima.md)
`arn:aws:forecast:::algorithm/ARIMA`
Autoregressive Integrated Moving Average (ARIMA) es un algoritmo estadístico local de uso común para la predicción de series temporales. Resulta especialmente útil para conjuntos de datos simples con menos de 100 series temporales.
### [ETS](aws-forecast-recipe-ets.md)
`arn:aws:forecast:::algorithm/ETS`
Suavizamiento exponencial (ETS) es un algoritmo estadístico local de uso común para la predicción de series temporales. El algoritmo es especialmente útil para conjuntos de datos simples con menos de 100 series temporales y conjuntos de datos con patrones de estacionalidad. El ETS calcula un promedio ponderado sobre todas las observaciones en el conjunto de datos de las series temporales como su predicción, y la ponderación decrece exponencialmente a lo largo del tiempo.
## Comparación de los algoritmos de Forecast
Utilice la siguiente tabla para encontrar la mejor opción para sus conjuntos de datos de series temporales.
| | Redes neuronales | Algoritmos locales flexibles | Algoritmo de referencia | | CNN-QR | DeepAR\$1 | Prophet | NPTS | ARIMA | ETS |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Proceso de entrenamiento computacionalmente intensivo | Alto | Alto | Medio | Bajo | Bajo | Bajo |
| Acepta series temporales relacionadas históricas\$1 | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Acepta series temporales relacionadas prospectivas\$1 | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Acepta metadatos de artículos (color del producto, marca, etc.) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Acepta las características integradas del índice meteorológico | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Adecuado para conjuntos de datos dispersos | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Realiza la optimización de hiperparámetros (HPO) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
| Permite anular los valores de hiperparámetros predeterminados | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/icon-no.png) |
\$1Para obtener más información sobre series temporales relacionadas, consulte [Series temporales relacionadas](related-time-series-datasets.md).
# Algoritmo Autoregressive Integrated Moving Average (ARIMA)
Autoregressive Integrated Moving Average ([ARIMA](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average)) es un algoritmo estadístico local de uso común para la predicción de series temporales. ARIMA captura estructuras temporales estándar (organizaciones con patrones de tiempo) en el conjunto de datos de entrada. El algoritmo ARIMA de Amazon Forecast llama a la [función Arima](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.Arima.1) en el `Package 'forecast'` de Comprehensive R Archive Network (CRAN).
## Cómo funciona ARIMA
El algoritmo ARIMA es especialmente útil para conjuntos de datos que pueden ser mapeados a series temporales fijas. Las propiedades estadísticas de las series temporales fijas, como las autocorrelaciones, son independientes del tiempo. Los conjuntos de datos con series temporales fijas suelen contener una combinación de señal y ruido. La señal puede presentar un patrón de oscilación sinusoidal o tener un componente estacional. ARIMA actúa como un filtro para separar la señal del ruido y, a continuación, extrapola la señal en el futuro para realizar predicciones.
## Hiperparámetros y ajuste de ARIMA
Para obtener información sobre los hiperparámetros y el ajuste de ARIMA, consulte la documentación de la función `Arima` en el [paquete "forecast"](https://cran.r-project.org/web/packages/forecast/forecast.pdf) de [CRAN](https://cran.r-project.org).
Amazon Forecast convierte el parámetro `DataFrequency` especificado en la operación [CreateDataset](API_CreateDataset.md) en el parámetro `frequency` de la función R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) utilizando la siguiente tabla:
| DataFrequency (cadena) | Frecuencia R ts (entero) |
| --- | --- |
| A | 1 |
| M | 12 |
| S | 52 |
| D | 7 |
| H | 24 |
| 30 min | 2 |
| 15 min | 4 |
| 10 min | 6 |
| 5 min | 12 |
| 1 min | 60 |
Para frecuencias inferiores a 24 o series temporales cortas, los hiperparámetros se establecen con la función `auto.arima` de la `Package 'forecast'` de [CRAN](https://cran.r-project.org). Para frecuencias mayores o iguales que 24 y series temporales largas, utilizamos una serie Fourier con K = 4, tal y como se describe aquí, [Forecasting with long seasonal periods](https://robjhyndman.com/hyndsight/longseasonality/).
Las frecuencias de datos admitidas que no están en la tabla tienen una frecuencia `ts` predeterminada de 1.
# Algoritmo CNN-QR
Amazon Forecast CNN-QR, Red neuronal convolucional: regresión cuantil, es un algoritmo de aprendizaje automático patentado para pronosticar series temporales escalares (unidimensionales) mediante redes neuronales convolucionales causales (). CNNs Este algoritmo de aprendizaje supervisado entrena un modelo global a partir de una gran colección de series temporales y utiliza un decodificador de cuantiles para realizar predicciones probabilísticas.
**Topics**
+ [
## Introducción a CNN-QR
](#aws-forecast-algo-cnnqr-getting-started)
+ [
## Cómo funciona CNN-QR
](#aws-forecast-algo-cnnqr-how-it-works)
+ [
## Uso de datos relacionados con CNN-QR
](#aws-forecast-algo-cnnqr-using-rts)
+ [
## Hiperparámetros CNN-QR
](#aws-forecast-algo-cnnqr-hyperparameters)
+ [
## Consejos y prácticas recomendadas
](#aws-forecast-algo-cnnqr-tips)
## Introducción a CNN-QR
Puede entrenar un predictor con CNN-QR de dos maneras:
1. Selección manual del algoritmo CNN-QR.
1. Selección de AutoML (CNN-QR forma parte de AutoML).
Si no está seguro del algoritmo que debe utilizar, le recomendamos que seleccione AutoML y Forecast seleccionará CNN-QR si es el algoritmo más preciso para sus datos. Para ver si se seleccionó CNN-QR como el modelo más preciso, utilice la API o elija el nombre del predictor en la consola. [DescribePredictor](https://docs.aws.amazon.com/forecast/latest/dg/API_DescribePredictor.html)
Estos son algunos casos de uso clave de CNN-QR:
+ **Forecast con conjuntos de datos grandes y complejos**: CNN-QR funciona mejor cuando se entrena con conjuntos de datos grandes y complejos. La red neuronal puede aprender de muchos conjuntos de datos, lo que resulta útil cuando se tienen metadatos de artículos y series temporales relacionadas.
+ **Previsión con series temporales relacionadas históricas**: CNN-QR no requiere que las series temporales relacionadas contengan puntos de datos dentro del horizonte de previsión. Esta flexibilidad adicional le permite incluir una gama más amplia de series temporales y metadatos de artículos relacionados, como el precio de los artículos, los eventos, las métricas web y las categorías de productos.
## Cómo funciona CNN-QR
CNN-QR es un modelo sequence-to-sequence (Seq2Seq) de predicción probabilística que comprueba qué tan bien una predicción reconstruye la secuencia de decodificación, en función de la secuencia de codificación.
El algoritmo permite distintas características en las secuencias de codificación y decodificación, por lo que se puede utilizar una serie temporal relacionada en el codificador y omitirla del decodificador (y viceversa). De forma predeterminada, las series temporales relacionadas con puntos de datos en el horizonte de previsión se incluirán tanto en el codificador como en el decodificador. Las series temporales relacionadas de puntos de datos en el horizonte de previsión se incluirán solo en el codificador.
CNN-QR realiza una regresión cuantil con una CNN causal jerárquica que sirve como extractor de características que se pueden aprender.
Para facilitar patrones de aprendizaje que dependan del tiempo, como picos durante fines de semana, CNN-QR crea automáticamente series temporales basándose en la granularidad de las series temporales. Por ejemplo, CNN-QR crea dos series temporales de largometrajes (y) con una frecuencia semanal de series temporales. day-of-month day-of-year El algoritmo utiliza estas series temporales de características derivadas junto con la serie temporal de características personalizadas proporcionada durante el entrenamiento y la inferencia. En el siguiente ejemplo se muestra una serie temporal de destino, `zi,t`, y dos características de la serie temporal derivada: `ui,1,t` representa la hora del día y `ui,2,t` el día de la semana.
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/cnnqr-time-frequencies.PNG)
CNN-QR incluye automáticamente estas series temporales de características basándose en la frecuencia de los datos y el tamaño de los datos de entrenamiento. En la siguiente tabla se muestran las características que se pueden derivar para cada frecuencia temporal básica admitida.
****
| Frecuencia de la serie temporal | Características derivadas |
| --- | --- |
| Minuto | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year |
| Hora | hour-of-day, day-of-week, day-of-month, day-of-year |
| Día | day-of-week, day-of-month, day-of-year |
| Semana | week-of-month, week-of-year |
| Mes | month-of-year |
Durante el entrenamiento, cada serie temporal del conjunto de datos de entrenamiento consta de un par de ventanas adyacentes de contexto y previsión con longitudes predefinidas fijas. Esto se muestra en la siguiente figura, donde la ventana de contexto se representa en verde y la ventana de previsión se representa en azul.
Puede utilizar un modelo entrenado en un determinado conjunto de entrenamiento para generar predicciones para series temporales en el conjunto de entrenamiento y para otras series temporales. El conjunto de datos de entrenamiento consiste en una serie temporal de destino, que puede estar asociada a una lista de series temporales y metadatos de artículos relacionados.
La siguiente figura muestra este funcionamiento para un elemento de un conjunto de datos de entrenamiento indexado con `i`. El conjunto de entrenamiento se compone de una serie temporal objetivo `zi,t` y dos series temporales relacionadas asociadas `xi,1,t` y `xi,2,t`. La primera serie temporal relacionada, `xi,1,t`, es una serie temporal prospectiva y la segunda, `xi,2,t`, es una serie temporal histórica.
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/cnnqr-short-long-rts.png)
CNN-QR aprende sobre la serie temporal de destino, `zi,t`, y las series temporales relacionadas, `xi,1,t` y `xi,2,t`, para generar predicciones en el período de previsión, representada por la línea naranja.
## Uso de datos relacionados con CNN-QR
CNNQR admite conjuntos de datos de series temporales relacionadas tanto históricos como prospectivos. Si proporciona un conjunto de datos de series temporales relacionadas y prospectivas, cualquier valor que falte se rellenará mediante el [método de llenado futuro](howitworks-missing-values.md). Para obtener más información sobre series temporales relacionadas históricas y prospectivas, consulte [Uso de conjuntos de datos de series temporales relacionadas](related-time-series-datasets.md).
También puede usar conjuntos de datos de metadatos de artículos con CNN-QR. Se trata de conjuntos de datos con información estática sobre los artículos de su serie temporal de destino. Los metadatos de artículos son especialmente útiles para los escenarios de previsión incipiente en los que hay pocos o ningún dato histórico. [Para obtener más información sobre los metadatos de artículos, consulte Metadatos de artículos](item-metadata-datasets.md).
## Hiperparámetros CNN-QR
Amazon Forecast optimiza los modelos CNN-QR en hiperparámetros seleccionados. Al seleccionar CNN-QR manualmente, tiene la opción de transferir los parámetros de entrenamiento para estos hiperparámetros. En la siguiente tabla se muestran los hiperparámetros ajustables para el algoritmo CNN-QR.
| Nombre del parámetro | Valores | Descripción |
| --- | --- | --- |
| context\$1length | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | El número de puntos de tiempo que el modelo lee antes de realizar la predicción. Por lo general, CNN-QR tiene valores más altos para `context_length` que DeepAR\$1 porque CNN-QR no utiliza retrasos para analizar más datos históricos. Si el valor de `context_length` está fuera de un rango predefinido, CNN-QR establecerá automáticamente el valor predeterminado `context_length` en un valor adecuado. |
| use\$1related\$1data | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Determina qué tipos de datos de series temporales relacionadas se deben incluir en el modelo. Elija una de las cuatro opciones siguientes: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `HISTORICAL` incluye todas las series temporales relacionadas históricas y `FORWARD_LOOKING` incluye todas las series temporales relacionadas prospectivas. No puede elegir un subconjunto de series temporales relacionadas `HISTORICAL` ni `FORWARD_LOOKING`. |
| use\$1item\$1metadata | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Determina si el modelo incluye metadatos de artículo. Elija una de estas dos opciones: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `use_item_metadata` incluye todos los metadatos de artículos proporcionados o ninguno. No puede elegir un subconjunto de metadatos de artículos. |
| epochs | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | El número máximo de pasadas completas en los datos de capacitación. Los conjuntos de datos más pequeños requieren más épocas. Para valores grandes de `ForecastHorizon` y `context_length`, considere reducir las épocas para mejorar el tiempo de entrenamiento. |
### Optimización de hiperparámetros (HPO)
La optimización de hiperparámetros (HPO) es la tarea de elegir los valores de hiperparámetros óptimos para alcanzar un objetivo de aprendizaje específico. Con Forecast, puede automatizar este proceso de dos maneras:
1. Eligiendo AutoML, para que HPO se ejecute automáticamente para CNN-QR.
1. Realizando la selección manual de CNN-QR y estableciéndola en `PerformHPO = TRUE`.
Los metadatos de artículos y las series temporales relacionadas adicionales no siempre mejoran la precisión del modelo CNN-QR. Cuando ejecuta AutoML o habilita HPO, CNN-QR comprueba la precisión de su modelo con y sin las series temporales relacionadas y los metadatos de los artículos proporcionados, y selecciona el modelo con la mayor precisión.
Amazon Forecast optimiza automáticamente los tres hiperparámetros siguientes durante la HPO y le proporciona los valores finales entrenados:
+ **longitud\$1contexto**: determina cuán lejos puede ver la red en el pasado. El proceso de HPO establece automáticamente un valor `context_length` que maximiza la precisión del modelo y, al mismo tiempo, tiene en cuenta el tiempo de entrenamiento.
+ **usar\$1datos\$1relacionados**: determina qué tipos de datos de series temporales relacionadas se deben incluir en el modelo. El proceso de HPO comprueba automáticamente si los datos de series temporales relacionadas mejoran el modelo y selecciona la configuración óptima.
+ **usar\$1metadatos\$1artículos**: determina si se deben incluir los metadatos de artículos en el modelo. El proceso de HPO comprueba automáticamente si los metadatos de artículos mejoran el modelo y selecciona la configuración óptima.
**nota**
Si `use_related_data` se establece como `NONE` o `HISTORICAL` cuando se selecciona la característica complementaria `Holiday`, esto significa que incluir datos de festivos no mejora la precisión del modelo.
Puede establecer la configuración de HPO para el hiperparámetro `context_length` si establece `PerformHPO = TRUE` durante la selección manual. Sin embargo, no puede modificar ningún aspecto de la configuración de HPO si elige AutoML. Para obtener más información sobre la configuración de HPO, consulte la API. [IntergerParameterRange](https://docs.aws.amazon.com/forecast/latest/dg/API_IntegerParameterRange.html)
## Consejos y prácticas recomendadas
**Evite valores grandes para ForecastHorizon**: utilizar valores superiores a 100 `ForecastHorizon` aumentará el tiempo de entrenamiento y puede reducir la precisión del modelo. Si desea realizar previsiones en el futuro, considere agregar a una frecuencia superior. Por ejemplo, utilice `5min` en lugar de `1min`.
**CNNs permitir una longitud de contexto mayor**: con CNN-QR, puedes establecer una longitud `context_length` ligeramente superior a la de DeepAr\$1, ya que generalmente CNNs son más eficientes que. RNNs
**Ingeniería de características de datos relacionados**: experimente con diferentes combinaciones de series temporales y metadatos de artículos relacionados al entrenar su modelo y evalúe si la información adicional mejora la precisión. Las distintas combinaciones y transformaciones de series temporales y metadatos de artículos relacionados arrojarán resultados diferentes.
**CNN-QR no realiza pronósticos en función del cuantil medio**: si lo `ForecastTypes` configuras `mean` con la [ CreateForecast](https://docs.aws.amazon.com/forecast/latest/dg/API_CreateForecast.html)API, los pronósticos se generan en el cuantil medio (o). `0.5` `P50`
# Algoritmo DeepAR\$1
Amazon Forecast DeepAr\$1 es un algoritmo de aprendizaje supervisado para pronosticar series temporales escalares (unidimensionales) mediante redes neuronales recurrentes (). RNNs Los métodos de previsión clásicos, como el modelo autorregresivo integrado de media móvil (ARIMA) o el suavizamiento exponencial (ETS), encajan en un solo modelo para cada serie temporal individual y, a continuación, utilizan ese modelo para extrapolar la serie temporal en el futuro. En muchas aplicaciones, sin embargo, disponen de muchas series temporales similares en un conjunto de unidades transversales. Estas agrupaciones de series temporales exigen productos, cargas de servidor y solicitudes de páginas web diferentes. En este caso, puede ser beneficioso entrenar un modelo único de forma conjunta en todas las series temporales. DeepAR\$1toma este enfoque. Cuando el conjunto de datos contiene cientos de series temporales de características, el algoritmo DeepAR\$1 supera los métodos ARIMA y ETS estándar. También puede utilizar el modelo entrenado para generar previsiones de series temporales nuevas que son similares a las que se han entrenado.
**Cuadernos de Python**
Para obtener una step-by-step guía sobre el uso del algoritmo DeepAr\$1, consulta [Cómo empezar a](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_DeepAR%2B/Getting_started_with_DeepAR%2B.ipynb) usar DeepAr\$1.
**Topics**
+ [
## Cómo funciona DeepAR\$1
](#aws-forecast-recipe-deeparplus-how-it-works)
+ [
## Hiperparámetros de DeepAR\$1
](#aws-forecast-recipe-deeparplus-hyperparameters)
+ [
## Ajustar modelos DeepAR\$1
](#aws-forecast-recipe-deeparplus-tune-model)
## Cómo funciona DeepAR\$1
Durante el entrenamiento, DeepAR\$1 utiliza un conjunto de datos de entrenamiento y un conjunto de datos de pruebas. Utiliza el conjunto de datos de pruebas para evaluar el modelo entrenado. En general, los conjuntos de datos de entrenamiento y de prueba no tienen que contener el mismo conjunto de series temporales. Puede utilizar un modelo capacitado en un determinado conjunto de capacitación para generar las previsiones para el futuro de las series temporales en el conjunto de capacitación y para otras series temporales. Tanto los conjuntos de datos de entrenamiento como de pruebas se componen de series temporales objetivo (preferiblemente más de una). Opcionalmente, se pueden asociar a un vector de series temporales de entidades y a un vector de características categóricas (para obtener más información, consulte [ Input/Output DeepAR](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html#deepar-inputoutput) Interface en *SageMaker la Guía para desarrolladores de IA*). En el siguiente ejemplo, se muestra su funcionamiento en un elemento de un conjunto de datos de entrenamiento indexado con `i`. El conjunto de entrenamiento se compone de una serie temporal objetivo `zi,t` y dos series temporales de características asociadas `xi,1,t` y `xi,2,t`.
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.base.png)
La serie temporal objetivo puede contener valores que faltan (indicados en los gráficos por las interrupciones en la serie temporal). DeepAR\$1 solo admite series temporales de características que son conocidas en el futuro. Esto le permite ejecutar escenarios "hipotéticos" contrafactuales. Por ejemplo, "¿Qué ocurre si puedo cambiar el precio de un producto de algún modo?"
Cada serie temporal de destino también puede asociarse a un número de características categóricas. Puede utilizarlas para codificar que una serie temporal pertenece a determinadas agrupaciones. Usar características categóricas permite que el modelo aprenda el comportamiento típico de dichas agrupaciones, lo que puede aumentar la precisión. Para realizar la implementación, los modelos obtienen información de un vector de integración de cada grupo que captura las propiedades comunes de todas las series temporales del grupo.
Para facilitar patrones de aprendizaje que dependan del tiempo, como picos durante fines de semana, DeepAR\$1 crea automáticamente series temporales basándose en la granularidad de las series temporales. Por ejemplo, DeepAR\$1 crea dos series temporales de características (día del mes y día del año) a una frecuencia de serie temporal semanal. Utiliza estas series temporales de características derivadas junto con la serie temporal de características personalizadas que proporcione durante el entrenamiento y la inferencia. En el siguiente ejemplo se muestran dos características de la serie temporal derivada: `ui,1,t` representa la hora del día y `ui,2,t` el día de la semana.
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.derived.png)
DeepAR\$1 incluye automáticamente estas series temporales de características basándose en la frecuencia de los datos y el tamaño de los datos de entrenamiento. En la siguiente tabla se muestran las características que se pueden derivar para cada frecuencia temporal básica admitida.
****
| Frecuencia de la serie temporal | Características derivadas |
| --- | --- |
| Minuto | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year |
| Hora | hour-of-day, day-of-week, day-of-month, day-of-year |
| Día | day-of-week, day-of-month, day-of-year |
| Semana | week-of-month, week-of-year |
| Mes | month-of-year |
Un modelo DeepAR\$1 se entrena realizando muestreos aleatorios de varios ejemplos de entrenamiento en cada una de las series temporales del conjunto de datos de entrenamiento. Cada ejemplo de capacitación se compone de un par de ventanas adyacentes de contexto y predicción con longitudes predefinidas fijas. El hiperparámetro `context_length` controla hasta qué punto del pasado puede ver la red y el parámetro `ForecastHorizon` controla hasta qué punto del futuro se pueden hacer predicciones. Durante el entrenamiento, Amazon Forecast no tiene en cuenta elementos del conjunto de datos de entrenamiento con series temporales más cortas que la longitud de predicción especificada. En el siguiente ejemplo, se presentan cinco muestras con una longitud de contexto de 12 horas (resaltado en verde) y una longitud de predicción de 6 horas (resaltado en azul), extraídas del elemento `i`. En aras de la brevedad, hemos excluido las series temporales de características `xi,1,t` y `ui,2,t`.
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.sampled.png)
Para capturar los patrones de estacionalidad, DeepAR\$1 también incluye automáticamente valores atrasados (periodos pasados) procedentes de series temporales de destino. En nuestro ejemplo, que tiene muestras tomadas con una frecuencia de una hora, para cada índice temporal `t = T`, el modelo expone los valores de `zi,t`, que se produjeron aproximadamente hace uno, dos y tres días (resaltado en rosa).
![\[\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.lags.png)
Para la inferencia, el modelo entrenado toma como entrada la serie temporal objetivo, que puede haberse usado o no durante el entrenamiento y prevé una distribución de la probabilidad para los siguientes valores de `ForecastHorizon`. Dado que DeepAR\$1 se entrena en todo el conjunto de datos, la previsión tiene en cuenta los patrones aprendidos de series temporales similares.
Para obtener información sobre las operaciones matemáticas que se encuentran detrás de DeepAR\$1, consulte [DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks](https://arxiv.org/abs/1704.04110) (DeepAR: Previsión probabilística con redes recurrentes autorregresivas) en el sitio web de Cornell University Library.
## Hiperparámetros de DeepAR\$1
En la siguiente tabla se enumeran los hiperparámetros que puede usar en el algoritmo de DeepAR\$1. Los parámetros en negrita participan en la optimización de hiperparámetros (HPO).
| Nombre del parámetro | Description (Descripción) |
| --- | --- |
| context\$1length | El número de puntos de tiempo que el modelo lee antes de realizar la predicción. El valor de este parámetro debe ser básicamente el mismo que `ForecastHorizon`. El modelo también recibe las entradas con retraso desde el objetivo, por lo que `context_length` puede ser mucho menor que las temporadas normales. Por ejemplo, una serie temporal diario puede tener una temporada anual. El modelo incluye automáticamente un retardo de un año, de manera que la longitud del contexto puede ser inferior a un año. Los valores de retardo que elige el modelo dependen de la frecuencia de las series temporales. Por ejemplo, los valores de retardo para la frecuencia diaria son: la semana anterior, 2 semanas, 3 semanas, 4 semanas y el año. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| epochs | Número máximo de iteraciones que consultar en los datos de capacitación. El valor óptimo depende del tamaño de los datos y de la tasa de aprendizaje. Los conjuntos de datos más pequeños y las velocidades aprendizaje más lentas requieren más fechas de inicio ("epoch") para lograr buenos resultados. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| learning\$1rate | La tasa de aprendizaje utilizada en la capacitación. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| learning\$1rate\$1decay | La velocidad a la que disminuye el aprendizaje. Como mucho, la tasa de aprendizaje se reduce las veces indicadas en `max_learning_rate_decays` y, a continuación, el entrenamiento se detiene. Este parámetro solo se utilizará si `max_learning_rate_decays` es mayor que 0. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| likelihood | El modelo genera una previsión de probabilidad y puede proporcionar cuantiles de la distribución y devolver muestras. En función de sus datos, elija una probabilidad apropiada (modelo de ruido) que se utilice para estimaciones de incertidumbre. Valores válidos [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| max\$1learning\$1rate\$1decays | El número máximo de reducciones de tasa de aprendizaje que debe producirse. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1averaged\$1models | En DeepAR\$1, una trayectoria de entrenamiento puede encontrar varios modelos. Cada modelo podría tener diferentes puntos fuertes y débiles de previsión. DeepAR\$1 puede calcular la media de los comportamientos del modelo para aprovechar los puntos fuertes de todos los modelos. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1cells | El número de celdas que usar en cada capa oculta de la RNN. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1layers | El número de capas ocultas en la RNN. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
## Ajustar modelos DeepAR\$1
Para ajustar modelos DeepAR\$1 de Amazon Forecast, siga estas recomendaciones para optimizar el proceso de entrenamiento y la configuración de hardware.
### Prácticas recomendadas para la optimización de procesos
Para lograr los mejores resultados, siga estas recomendaciones:
+ Salvo cuando se dividan los conjuntos de datos de entrenamiento y pruebas, proporcione siempre series temporales completas para el entrenamiento y las pruebas, y cuando se llame al modelo para inferencias. Independientemente de cómo se establezca `context_length`, no divida la serie temporal ni proporcione solo una parte de ella. El modelo utilizará puntos de datos situados más atrás que `context_length` para la característica de valores con retraso.
+ Para el ajuste de modelos, puede dividir el conjunto de datos en conjuntos de datos de entrenamiento y pruebas. En un escenario de evaluación típico, debe probar el modelo en la misma serie temporal utilizada en el entrenamiento, pero en los puntos de tiempo de `ForecastHorizon` futuros, inmediatamente después del último punto de tiempo visible durante el entrenamiento. Para crear conjuntos de datos de entrenamiento y pruebas que se ajusten a estos criterios, utilice el conjunto de datos completo (todos los de la serie temporal) como un conjunto de datos de pruebas y elimine los últimos puntos de `ForecastHorizon` de cada serie temporal para el entrenamiento. De esta forma, durante el entrenamiento, el modelo no ve los valores objetivo de los puntos de tiempo en los que se evalúa durante las pruebas. En esta fase de pruebas, se conservan los últimos puntos de `ForecastHorizon` de cada serie temporal de conjunto de datos de pruebas y se genera una predicción. La previsión se comparará después con los valores reales de los últimos puntos de `ForecastHorizon`. Puede crear evaluaciones más complejas repitiendo series temporales varias veces en el conjunto de datos de pruebas, pero cortándolas en diferentes puntos finales. Esto produce métricas de precisión que se promedian sobre las múltiples previsiones de diferentes puntos de tiempo.
+ Evite utilizar valores muy grandes (> 400) para `ForecastHorizon`, ya que esto ralentiza el modelo y hace que resulte menos preciso. Si desea realizar previsiones en el futuro, considere agregar a una frecuencia superior. Por ejemplo, utilice `5min` en lugar de `1min`.
+ Debido a los retrasos, el modelo puede retroceder más en el tiempo que `context_length`. Por tanto, no tiene que establecer este parámetro en un valor grande. Un buen punto inicial para este parámetro es el mismo valor que `ForecastHorizon`.
+ Entrene modelos DeepAR\$1 con tantas series temporales como sea posible. Aunque un modelo DeepAR\$1 entrenado en una sola serie temporal ya podría funcionar bien, los métodos de previsión estándar como ARIMA o ETS podrían ser más precisos y estar más adaptados a este caso de uso. DeepAR\$1 empieza a superar los métodos estándar cuando el conjunto de datos contiene cientos de series temporales de características. En la actualidad, DeepAR\$1 requiere que el número total de observaciones disponibles en todas las series temporales de entrenamiento, sea al menos 300.
# Algoritmo de suavizamiento exponencial (ETS)
Suavizamiento exponencial [(ETS)](https://en.wikipedia.org/wiki/Exponential_smoothing) es un algoritmo estadístico local de uso común para la predicción de series temporales. El algoritmo de ETS de Amazon Forecast llama a la [función ets](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.ets.1) en el `Package 'forecast'` de Comprehensive R Archive Network (CRAN).
## Funcionamiento de ETS
El algoritmo ETS es especialmente útil para conjuntos de datos con estacionalidad y otras suposiciones previas sobre los datos. ETS calcula un promedio ponderado sobre todas las observaciones en el conjunto de datos de las series temporales de entrada como su predicción. Las ponderaciones disminuyen exponencialmente con el tiempo, en lugar de las ponderaciones constantes en los métodos de promedio móvil simple. Las ponderaciones dependen de un parámetro constante, conocido como parámetro de suavizamiento.
## Hiperparámetros y ajuste de ETS
Para obtener información sobre los hiperparámetros y el ajuste de ETS, consulte la documentación de la función `ets` en el [paquete "forecast"](https://cran.r-project.org/web/packages/forecast/forecast.pdf) de [CRAN](https://cran.r-project.org).
Amazon Forecast convierte el parámetro `DataFrequency` especificado en la operación [CreateDataset](API_CreateDataset.md) en el parámetro `frequency` de la función R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) utilizando la siguiente tabla:
| DataFrequency (cadena) | Frecuencia R ts (entero) |
| --- | --- |
| A | 1 |
| M | 12 |
| S | 52 |
| D | 7 |
| H | 24 |
| 30 min | 2 |
| 15 min | 4 |
| 10 min | 6 |
| 5 min | 12 |
| 1 min | 60 |
Las frecuencias de datos admitidas que no están en la tabla tienen una frecuencia `ts` predeterminada de 1.
# Algoritmo Non-Parametric Time Series (NPTS)
El algoritmo Non-Parametric Time Series (NPTS) de Amazon es un analista básico probabilístico escalable. Predice la distribución de valores futura de una serie temporal determinada mediante muestreos de observaciones pasadas. Las predicciones se rigen por los valores observados. NPTS resulta especialmente útil cuando la serie temporal es intermitente (o dispersa, que contiene muchos 0) y con ráfagas. Por ejemplo, la previsión de demanda de artículos individuales donde la serie temporal tiene muchos recuentos bajos. Amazon Forecast proporciona variantes de NPTS que se diferencian en qué últimas observaciones se muestran y cómo se muestrean. Para utilizar un variante de NPTS, seleccione una configuración de hiperparámetro.
## Funcionamiento de NPTS
Al igual que los métodos de previsión clásicos, como, por ejemplo, la estabilización exponencial (ETS) y el modelo autorregresivo integrado de media móvil (ARIMA), NPTS genera predicciones para cada serie temporal de manera individual. Las series temporales del conjunto de datos pueden tener diferentes longitudes. Los puntos de tiempo donde las observaciones están disponibles se denominan el rango de entrenamiento y los puntos de tiempo donde se desea la predicción se denominan rango de predicción.
Los analistas de NPTS de Amazon Forecast tienen las siguientes variantes: NPTS, NPTS estacionales, analista climatológico y analista climatológico estacional.
**Topics**
+ [
### NPTS
](#aws-forecast-recipe-npts-variants-npts)
+ [
### NPTS estacional
](#aws-forecast-recipe-npts-variants-seasonal)
+ [
### Analista climatológico
](#aws-forecast-recipe-npts-variants-climatological)
+ [
### Analista climatológico estacional
](#aws-forecast-recipe-npts-variants-seasonal-climatological)
+ [
### Características estacionales
](#aws-forecast-recipe-npts-seasonal-features)
+ [
### Prácticas recomendadas
](#aws-forecast-recipe-npts-recommended-practices)
### NPTS
En esta variante, las predicciones se generan por muestreo a partir de todas las observaciones del rango de entrenamiento de la serie temporal. Sin embargo, en lugar de realizar un muestreo de manera uniforme a partir de todas las observaciones, esta variante asigna ponderación a cada una de las últimas observaciones de acuerdo con la distancia en relación con el paso temporal actual en el que se necesita la predicción. En particular, utiliza ponderaciones que decaen exponencialmente de acuerdo con la distancia de las últimas observaciones. De esta forma, las observaciones del pasado reciente se muestran con mucho mayor probabilidad que las observaciones de un pasado lejano. Se presupone que el pasado cercano es más indicativo para el futuro que el pasado lejano. Puede controlar la cantidad de decadencia en las ponderaciones con el hiperparámetro `exp_kernel_weights`.
Para utilizar esta variante NPTS en Amazon Forecast, establezca el hiperparámetro `use_seasonal_model` en `False` y acepte el resto de la configuración predeterminada.
### NPTS estacional
La variante de NPTS estacional es similar a NPTS salvo que en lugar de realizar el muestreo a partir de todas las observaciones, utiliza únicamente las observaciones de las últimas *estaciones*. De forma predeterminada, la estación se determina en función del grado de detalle de la serie temporal. Por ejemplo, en el caso de una serie temporal por hora, para pronosticar una hora *t*, esta variante realiza un muestreo a partir de las observaciones que corresponden a la hora *t* en los últimos días. Al igual que NPTS, la observación en la hora *t* el día anterior tiene más ponderación que las observaciones en la hora *t* en días anteriores. Para obtener más información acerca de cómo determinar la estacionalidad en función del grado de detalle de la serie temporal, consulte [Características estacionales](#aws-forecast-recipe-npts-seasonal-features).
### Analista climatológico
La variante del analista estacional realiza un muestreo de todas las últimas observaciones con probabilidad uniforme.
Para utilizar el analista climatológico, establezca el hiperparámetro `kernel_type` en `uniform` y el hiperparámetro `use_seasonal_model` en `False`. Acepte los valores predeterminados para todos los demás hiperparámetros.
### Analista climatológico estacional
Al igual que la NPTS estacional, el analista climatológico estacional realiza un muestreo de las observaciones de estaciones anteriores, pero muestrearlos con probabilidad uniforme.
Para utilizar el analista climatológico estacional, establezca el hiperparámetro `kernel_type` en `uniform`. Acepte todos los otros valores predeterminados de todos los demás hiperparámetros.
### Características estacionales
Para determinar lo que corresponde a una estación para la NPTS estacional y el analista climatológico estacional, utilice las características que se muestran en la siguiente tabla. En la tabla se enumeran las características derivadas para las frecuencias temporales básicas admitidas, en función del grado de detalle. Amazon Forecast incluye estas series temporales de características, por lo que no tiene que facilitarlas.
****
| Frecuencia de la serie temporal | Característica para determinar estacionalidad |
| --- | --- |
| Minuto | minute-of-hour |
| Hora | hour-of-day |
| Día | day-of-week |
| Semana | day-of-month |
| Mes | month-of-year |
### Prácticas recomendadas
Cuando se utilizan los algoritmos de la NPTS de Amazon Forecast, tenga en cuenta las siguientes prácticas recomendadas para preparar los datos y lograr resultados óptimos:
+ Dado que NPTS genera predicciones para cada serie temporal de manera individual, proporcione toda la serie temporal cuando llame al modelo de predicción. Además, acepte el valor predeterminado del hiperparámetro `context_length`. Esto hace que el algoritmo utilice toda la serie temporal.
+ Si cambia el `context_length` (porque los datos de entrenamiento son demasiado largos), asegúrese de que es lo suficientemente grande y que cubre varias estaciones anteriores. Por ejemplo, en el caso de una serie temporal diaria, este valor debe ser al menos 365 días (siempre que tenga esa cantidad de datos).
## Hiperparámetros de NPTS
En la tabla siguiente, se enumeran los hiperparámetros que puede usar en el algoritmo de NPTS.
| Nombre del parámetro | Description (Descripción) |
| --- | --- |
| context\$1length | El número de puntos de tiempo en el pasado que el modelo utiliza para realizar la predicción. De forma predeterminada, utiliza todos los puntos de tiempo en el rango de entrenamiento. Normalmente, el valor de este hiperpoarámetro debe ser grande y debe cubrir varias estaciones anteriores. Por ejemplo, en el caso de la serie temporal diaria este valor debe ser al menos 365 días. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| kernel\$1type | El kernel que se va a utilizar para definir las ponderaciones usadas para el muestreo de las últimas observaciones. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| exp\$1kernel\$1weights | Solo es válido cuando `kernel_type` es `exponential`. El parámetro de escalado del kernel. Para una degradación (exponencial) más rápida en las ponderaciones facilitadas a las observaciones en el pasado remoto, utilice un valor grande. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| use\$1seasonal\$1model | Si se utiliza una variante estacional. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| use\$1default\$1time\$1features | Solo es válido para la *NPTS estacional *y las variantes del *analista climatológico estacional*. Si se utilizan características estacionales en función del grado de detalle de la serie temporal para determinar la estacionalidad. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/forecast/latest/dg/aws-forecast-recipe-npts.html) |
# Algoritmo Prophet
[Prophet](https://facebook.github.io/prophet/) es un conocido modelo local de series temporales estructurales bayesianas. El algoritmo Prophet de Amazon Forecast utiliza la [clase Prophet](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) de la implementación de Prophet en Python.
## Cómo funciona Prophet
Prophet es muy útil para conjuntos de datos:
+ Que contengan un periodo de tiempo extendido (meses o años) de observaciones históricas detalladas (por hora, día o semana)
+ Que tengan varias estacionalidades muy marcadas
+ Que incluyan eventos anteriormente conocidos importantes, pero irregulares
+ Que les falten puntos de datos o tengan casos atípicos grandes
+ Que tengan tendencias de crecimiento no lineal que se aproximen a un límite.
Prophet es un modelo de regresión aditiva con una tendencia de curva de crecimiento lineal o logística por partes. Incluye un componente estacional anual modelado usando series de Fourier y un componente estacional semanal modelado usando variables ficticias.
Para obtener más información, consulte [Prophet: previsión a gran escala](https://research.facebook.com/blog/2017/2/prophet-forecasting-at-scale/).
## Hiperparámetros de Prophet y series temporales relacionadas
Amazon Forecast utiliza los [hiperparámetros](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) de Prophet predeterminados. Prophet también admite series temporales relacionadas como características, proporcionadas a Amazon Forecast en el archivo CSV de serie temporal relacionada.