Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. # DeepAR Hyperparameter Tabel berikut mencantumkan hiperparameter yang dapat Anda atur saat berlatih dengan algoritme peramalan Amazon SageMaker AI DeepAR. | Nama Parameter | Deskripsi | | --- | --- | | context\$1length | Jumlah titik waktu yang dapat dilihat model sebelum membuat prediksi. Nilai untuk parameter ini harus hampir sama dengan`prediction_length`. Model ini juga menerima input tertinggal dari target, sehingga `context_length` bisa jauh lebih kecil daripada musim biasa. Misalnya, deret waktu harian dapat memiliki musim tahunan. Model secara otomatis menyertakan jeda satu tahun, sehingga panjang konteksnya bisa lebih pendek dari satu tahun. Nilai lag yang dipilih model bergantung pada frekuensi deret waktu. Misalnya, nilai lag untuk frekuensi harian adalah minggu sebelumnya, 2 minggu, 3 minggu, 4 minggu, dan tahun. **Diperlukan** Nilai yang valid: Bilangan bulat positif | | epochs | Jumlah maksimum lintasan atas data pelatihan. Nilai optimal tergantung pada ukuran data dan tingkat pembelajaran Anda. Lihat juga `early_stopping_patience`. Nilai tipikal berkisar dari 10 hingga 1000. **Diperlukan** Nilai yang valid: Bilangan bulat positif | | prediction\$1length | Jumlah langkah waktu yang dilatih model untuk diprediksi, juga disebut cakrawala ramalan. Model terlatih selalu menghasilkan prakiraan dengan panjang ini. Itu tidak dapat menghasilkan perkiraan yang lebih lama. `prediction_length`Itu diperbaiki ketika model dilatih dan tidak dapat diubah nanti. **Diperlukan** Nilai yang valid: Bilangan bulat positif | | time\$1freq | Perincian deret waktu dalam kumpulan data. Gunakan `time_freq` untuk memilih fitur dan kelambatan tanggal yang sesuai. Model ini mendukung frekuensi dasar berikut. Ini juga mendukung kelipatan frekuensi dasar ini. Misalnya, `5min` menentukan frekuensi 5 menit. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/deepar_hyperparameters.html) **Diperlukan** Nilai yang valid: Sebuah bilangan bulat diikuti oleh *M*, *W*, *D*, *H*, atau *min*. Misalnya,`5min`. | | cardinality | Saat menggunakan fitur kategoris (`cat`), `cardinality` adalah array yang menentukan jumlah kategori (grup) per fitur kategoris. Setel ini `auto` untuk menyimpulkan kardinalitas dari data. `auto`Mode ini juga berfungsi ketika tidak ada fitur kategoris yang digunakan dalam kumpulan data. Ini adalah pengaturan yang disarankan untuk parameter. Atur kardinalitas `ignore` untuk memaksa DeepAR untuk tidak menggunakan fitur kategoris, bahkan itu ada dalam data. Untuk melakukan validasi data tambahan, dimungkinkan untuk secara eksplisit mengatur parameter ini ke nilai aktual. Misalnya, jika dua fitur kategoris disediakan di mana yang pertama memiliki 2 dan yang lainnya memiliki 3 nilai yang mungkin, atur ini ke [2, 3]. Untuk informasi selengkapnya tentang cara menggunakan fitur kategoris, lihat bagian data di halaman dokumentasi utama DeepAR. **Opsional** Nilai yang valid: `auto``ignore`,, array bilangan bulat positif, string kosong, atau Nilai default: `auto` | | dropout\$1rate | Tingkat putus sekolah untuk digunakan selama pelatihan. Model ini menggunakan regularisasi zoneout. Untuk setiap iterasi, subset acak dari neuron tersembunyi tidak diperbarui. Nilai tipikal kurang dari 0,2. **Opsional** Nilai yang valid: float Nilai default: 0,1 | | early\$1stopping\$1patience | Jika parameter ini diatur, pelatihan berhenti ketika tidak ada kemajuan yang dibuat dalam jumlah yang ditentukan`epochs`. Model yang memiliki kerugian terendah dikembalikan sebagai model akhir. **Opsional** Nilai yang valid: integer | | embedding\$1dimension | Ukuran vektor penyematan yang dipelajari per fitur kategoris (nilai yang sama digunakan untuk semua fitur kategoris). Model DeepAR dapat mempelajari pola deret waktu tingkat grup ketika fitur pengelompokan kategoris disediakan. Untuk melakukan ini, model mempelajari vektor penyematan ukuran `embedding_dimension` untuk setiap grup, menangkap properti umum dari semua deret waktu dalam grup. Yang lebih besar `embedding_dimension` memungkinkan model untuk menangkap pola yang lebih kompleks. Namun, karena meningkatkan peningkatan jumlah parameter dalam model, lebih banyak data pelatihan diperlukan untuk mempelajari parameter ini secara akurat. `embedding_dimension` Nilai tipikal untuk parameter ini adalah antara 10-100. **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: 10 | | learning\$1rate | Tingkat pembelajaran yang digunakan dalam pelatihan. Nilai tipikal berkisar dari 1e-4 hingga 1e-1. **Opsional** Nilai yang valid: float Nilai default: 1e-3 | | likelihood | Model menghasilkan perkiraan probabilistik, dan dapat memberikan kuantil distribusi dan sampel pengembalian. Bergantung pada data Anda, pilih kemungkinan yang sesuai (model kebisingan) yang digunakan untuk perkiraan ketidakpastian. Kemungkinan berikut dapat dipilih: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/deepar_hyperparameters.html) **Opsional** **Nilai yang valid: Salah satu *gaussian*, *beta, *negatif-binomial*, student-T*, atau deterministic-L1.** Nilai default: `student-T` | | mini\$1batch\$1size | Ukuran mini-batch yang digunakan selama pelatihan. Nilai tipikal berkisar dari 32 hingga 512. **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: 128 | | num\$1cells | Jumlah sel yang digunakan di setiap lapisan tersembunyi RNN. Nilai tipikal berkisar antara 30 hingga 100. **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: 40 | | num\$1dynamic\$1feat | Jumlah yang `dynamic_feat` disediakan dalam data. Setel ini `auto` untuk menyimpulkan jumlah fitur dinamis dari data. `auto`Mode ini juga berfungsi ketika tidak ada fitur dinamis yang digunakan dalam kumpulan data. Ini adalah pengaturan yang disarankan untuk parameter. Untuk memaksa DeepAR untuk tidak menggunakan fitur dinamis, bahkan itu mereka hadir dalam data, diatur `num_dynamic_feat` ke. `ignore` Untuk melakukan validasi data tambahan, dimungkinkan untuk secara eksplisit mengatur parameter ini ke nilai integer yang sebenarnya. Misalnya, jika dua fitur dinamis disediakan, atur ini ke 2. **Opsional** Nilai yang valid:`auto`,`ignore`, bilangan bulat positif, atau string kosong Nilai default: `auto` | | num\$1eval\$1samples | Jumlah sampel yang digunakan per deret waktu saat menghitung metrik akurasi pengujian. Parameter ini tidak memiliki pengaruh pada pelatihan atau model akhir. Secara khusus, model dapat ditanyakan dengan jumlah sampel yang berbeda. Parameter ini hanya mempengaruhi skor akurasi yang dilaporkan pada saluran tes setelah pelatihan. Nilai yang lebih kecil menghasilkan evaluasi yang lebih cepat, tetapi skor evaluasi biasanya lebih buruk dan lebih tidak pasti. Saat mengevaluasi dengan kuantil yang lebih tinggi, misalnya 0,95, mungkin penting untuk meningkatkan jumlah sampel evaluasi. **Opsional** Nilai yang valid: integer Nilai default: 100 | | num\$1layers | Jumlah lapisan tersembunyi di RNN. Nilai tipikal berkisar dari 1 hingga 4. **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: 2 | | test\$1quantiles | Kuantil untuk menghitung kerugian kuantil pada saluran uji. **Opsional** Nilai yang valid: array float Nilai default: [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9] |