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. # Hiperparámetros de DeepAR En la siguiente tabla se enumeran los hiperparámetros que puede configurar al entrenar con el algoritmo de previsión Amazon SageMaker AI DeepAR. | Nombre del parámetro | Description (Descripción) | | --- | --- | | context\$1length | El número de puntos de tiempo que el modelo visualiza antes de realizar la predicción. El valor de este parámetro debe ser sobre el mismo que `prediction_length`. El modelo también recibe las entradas con retraso desde el destino, 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. **Obligatorio** Valores válidos: número entero positivo | | epochs | Número máximo de iteraciones en los datos de capacitación. El valor óptimo depende del tamaño de los datos y de la tasa de aprendizaje. Véase también `early_stopping_patience`. Los valores típicos están comprendidos entre 10 y 1000. **Obligatorio** Valores válidos: número entero positivo | | prediction\$1length | El número de pasos de tiempo para los que se ha capacitado al modelo para la predicción, también denominado "horizonte de previsión". El modelo de capacitación genera siempre las previsiones con esta longitud. No puede generar previsiones más largas. `prediction_length` es fijo cuando se realiza la capacitación de un modelo y no se puede cambiar después. **Obligatorio** Valores válidos: número entero positivo | | time\$1freq | El grado de detalle de la serie temporal en el conjunto de datos. Utilice `time_freq` para seleccionar los retrasos y características de fechas adecuados. El modelo solo admite las siguientes frecuencias básicas. También es compatible con múltiplos de estas frecuencias básicas. Por ejemplo, `5min` especifica una frecuencia de 5 minutos. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/deepar_hyperparameters.html) **Obligatorio** Valores válidos: un número entero seguido de *M*, *W*, *D*, *H* o *min*. Por ejemplo, `5min`. | | cardinality | Cuando se utilizan características categóricas (`cat`), `cardinality` es una matriz que especifica el número de categorías (grupos) por característica categórica. Establezca esta opción en `auto` para deducir la cardinalidad de los datos. El modo `auto` también funciona cuando no se utilizan características categóricas en el conjunto de datos. Esta es la configuración recomendada para el parámetro. Establezca la cardinalidad en `ignore` para obligar a que DeepAR no utilice características categóricas, ni tan siquiera si están presentes en los datos. Para realizar la validación de datos adicionales, es posible establecer explícitamente este parámetro en el valor real. Por ejemplo, si se proporcionan dos características categóricas donde la primera tiene dos y la otra tiene 3 valores posibles, defina esto como [2, 3]. Para obtener más información acerca de cómo utilizar características categóricas, consulte la sección de datos en la página de documentación principal de DeepAR. **Opcional** Valores válidos: `auto`, `ignore`, matriz de números enteros positivos, cadena vacía o Valor predeterminado: `auto` | | dropout\$1rate | La tasa de abandono que utilizar durante la capacitación. El modelo utiliza regularización de desconexión. Para cada iteración, no se actualiza un subconjunto aleatorio de neuronas ocultas. Los valores típicos son inferiores a 0,2. **Opcional** Valores válidos: número flotante Valor predeterminado: 0.1 | | early\$1stopping\$1patience | Si se establece este parámetro, se detiene la capacitación cuando no se realiza el progreso en el número especificado de `epochs`. El modelo que dispone de la pérdida más baja se devuelve como modelo final. **Opcional** Valores válidos: número entero | | embedding\$1dimension | Tamaño de vector de integración aprendido por característica categórica (se utiliza el mismo valor para todas las características categóricas). El modelo DeepAR puede aprender patrones de series de tiempo de nivel de grupo cuando se proporciona una capacitación de agrupación categórica. Para realizar esto, el modelo aprende un vector de integración de tamaño `embedding_dimension` para cada grupo, capturando las propiedades comunes de todas las series de tiempo en el grupo. Un `embedding_dimension` mayor permite al modelo capturar más patrones complejos. Sin embargo, puesto que se ha aumentado `embedding_dimension`, se aumenta el número de parámetros en el modelo y se precisan más datos de capacitación para aprender con precisión estos parámetros. Los valores típicos para este parámetro se encuentran entre 10 y 100. **Opcional** Valores válidos: número entero positivo Valor predeterminado: 10 | | learning\$1rate | La tasa de aprendizaje utilizada en la capacitación. Los valores típicos están comprometidos entre 1e-4 y 1e-1. **Opcional** Valores válidos: número flotante Valor predeterminado: 1e-3 | | likelihood | El modelo genera una previsión de probabilidad y puede proporcionar cuantiles de la distribución y devolver muestras. En función de sus datos, seleccione una probabilidad apropiada (modelo de ruido) que se utilice para estimaciones de incertidumbre. Pueden seleccionarse las siguientes probabilidades: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/deepar_hyperparameters.html) **Opcional** Valores válidos: uno de entre los siguientes *gaussiano*, *beta*, *negativo-binomial*, *T de Student* o *L1 determinista*. Valor predeterminado: `student-T` | | mini\$1batch\$1size | El tamaño de los minilotes utilizados durante la capacitación. Los valores típicos están comprendidos entre 32 y 512. **Opcional** Valores válidos: número entero positivo Valor predeterminado: 128 | | num\$1cells | El número de celdas que usar en cada capa oculta de la RNN. Los valores típicos están comprendidos entre 30 y 100. **Opcional** Valores válidos: número entero positivo Valor predeterminado: 40 | | num\$1dynamic\$1feat | El número de `dynamic_feat` que se proporciona en los datos. Establezca esta opción en `auto` para deducir el número de características dinámicas de los datos. El modo `auto` también funciona cuando no se utilizan características dinámicas en el conjunto de datos. Esta es la configuración recomendada para el parámetro. Para obligar a que DeepAR no utilice características dinámicas, ni tan siquiera si están presentes en los datos, establezca `num_dynamic_feat` en `ignore`. Para realizar la validación de datos adicionales, es posible establecer explícitamente este parámetro en el valor de número entero real. Por ejemplo, si se proporcionan dos características dinámicas, definimos este valor en 2. **Opcional** Valores válidos: `auto`, `ignore`, número entero positivo o cadena vacía Valor predeterminado: `auto` | | num\$1eval\$1samples | El número de muestras que se utilizan por serie temporal a la hora de calcular las métricas de precisión de las pruebas. Este parámetro no tiene ninguna influencia en la capacitación o en el modelo final. En particular, se puede consultar el modelo con un número diferente de muestras. Este parámetro solo afecta a las puntuaciones de precisión informadas en el canal de prueba después de la capacitación. Los valores más pequeños dan como resultado una evaluación más rápida, pero las puntuaciones de evaluación suelen ser peores y más inciertas. Al evaluar con cuantiles mayores, por ejemplo 0,95, puede ser importante aumentar el número de muestras de evaluación. **Opcional** Valores válidos: número entero Valor predeterminado: 100 | | num\$1layers | El número de capas ocultas en la RNN. Los valores típicos están comprendidos entre 1 y 4. **Opcional** Valores válidos: número entero positivo Valor predeterminado: 2 | | test\$1quantiles | Cuantiles para los que se calcula la pérdida de cuantiles en el canal de prueba. **Opcional** Valores válidos: matriz de números flotantes Valor predeterminado: [0,1, 0,2, 0,3, 0,4, 0,5, 0,6, 0,7, 0,8, 0,9] |