AutoGluon-TimeSeries, AutoGluon'un en yeni üyesidir ve üç satır kadar az kodla kolayca güçlü zaman serisi tahmin modelleri oluşturmanıza yardımcı olur.
Zaman serileri tahmini, bilimsel alanların yanı sıra çok çeşitli endüstrilerde yaygın bir görevdir. Arz, talep veya kapasite için güvenilir tahminlere erişim, işletmeler için planlama açısından çok önemlidir. Bununla birlikte, zaman serisi tahmini, özellikle e-ticarette büyük bir katalogdaki satışlar veya yüzlerce operasyonel sitedeki kapasite gibi potansiyel olarak ilişkili binlerce zaman serisi mevcut olduğunda zor bir problemdir.
Basit istatistiksel veya yargıya dayalı tahmin yöntemleri, genellikle yeni makine öğrenimi (ML) yöntemleriyle iyileştirilmesi zor olan zaten güçlü temellerdir. Ayrıca, makine öğrenimindeki son gelişmelerin tahmine yönelik uygulamaları, aşağıdakiler gibi birkaç yöntemle çeşitlidir: Derin AR [1] veya Temporal Fusion Transformers [2] popüler seçenekler olarak ortaya çıkıyor. Ancak bu yöntemlerin eğitilmesi, ayarlanması ve üretimde devreye alınması zordur ve makine öğrenimi ve zaman serisi analizi konusunda uzman bilgisi gerektirir.
AutoML, makine öğrenimi içinde hızla büyüyen bir konudur ve özellik ön işleme, model seçimi, model ayarlama, birleştirme ve devreye alma dahil olmak üzere makine öğrenimi ardışık düzenlerindeki ortak görevleri otomatikleştirmeye odaklanır. AutoGluon-TimeSeries en son eklenen Otomatik Gluon, önde gelen açık kaynaklı AutoML çözümlerinden biridir ve tahmin görevlerinde AutoGluon'un AutoML için güçlü çerçevesini temel alır. AutoGluon-TimeSeries, özellik ön işleme, model seçimi, model ayarlama ve devreye alma kolaylığı zorluklarını azaltan, üç satırlık az kodla güçlü tahmin sistemleri oluşturmak üzere tasarlanmıştır.
AutoGluon-TimeSeries'e basit bir çağrı ile TimeSeriesPredictor
, AutoGluon, modelleri uydurmada sezgisel bir öncelik sırasını takip eder: tümü kullanıcı tarafından belirlenen zaman bütçesi dahilinde, basit saf temellerden başlayıp güçlü küresel sinir ağına ve güçlendirilmiş ağaç tabanlı yöntemlere geçiş. İlgili zaman serileri (zamanla değişen ortak değişkenler veya harici değişkenler) veya öğe meta verileri (statik özellikler) mevcut olduğunda, AutoGluon-TimeSeries bunları tahmine dahil eder. Kitaplık ayrıca, karmaşık modelleri ayarlayarak en iyi model yapılandırmasına ulaşan hiperparametre ayarı için Bayes optimizasyonundan yararlanır. Son olarak, AutoGluon-TimeSeries, istatistiksel ve makine öğrenimi tabanlı yöntemlerin en iyilerini, eldeki sorun için optimize edilmiş bir model grubunda birleştirir.
Bu yazıda, AutoGluon-TimeSeries'in hızlı bir şekilde güçlü bir tahminci oluşturmak için kullanım kolaylığını gösteriyoruz.
AutoGluon-TimeSeries'i kullanmaya başlayın
Başlamak için, bir UNIX kabuğunda pip ile kolayca yapılan AutoGluon'u kurmanız gerekir:
AutoGluon-TimeSeries, TimeSeriesDataFrame
birbiriyle ilişkili birden çok zaman serisi (bazen panel veri kümesi olarak adlandırılır) içeren veri kümeleriyle çalışmak için sınıf. Bu veri çerçeveleri, zaman serisi kimliklerine ve satırlar halinde düzenlenmiş zaman damgalarına sahip sözde uzun biçimli veri çerçevelerinden oluşturulabilir. Aşağıdaki, M4 yarışmasından [3] alınan böyle bir veri örneğidir. Burada, item_id
sütunu, birden çok ürünün günlük satış verileri için ürün kimliği gibi, tek bir zaman serisinin benzersiz tanımlayıcısını belirtir. bu target
sütunu, AutoGluon-TimeSeries'in tahmin etmeyi öğreneceği ilgi değeridir. weekend
gözlemin hafta sonu olup olmadığını belirlemek için ürettiğimiz zamanla değişen fazladan bir ortak değişkendir.
Yenisini kolaylıkla üretebiliriz. TimeSeriesDataFrame
kullanarak bu veri kümesinden from_data_frame
yapıcı Aşağıdaki Python koduna bakın:
Bazı zaman serisi verileri, bir tahmin modelinin eğitiminde kullanılabilen zamanla değişmeyen özelliklere (statik özellikler veya öğe meta verileri) sahiptir. Örneğin, M4 veri kümesi, her zaman serisi için bir kategori değişkeni içerir. Bunlar eklenebilir TimeSeriesDataFrame
ayarlayarak static_features
yeni bir veri çerçevesi ile değişken.
Aşağıdaki kodu kullanın:
Bir TimeSeriesPredictor Eğitin
Son olarak, arayabiliriz TimeSeriesPredictor
Doğru bir tahmin sistemi oluşturmak için çok çeşitli tahmin modellerine uyacak şekilde. Aşağıdaki koda bakın:
Burada belirtelim ki, TimeSeriesPredictor
sonraki yedi zaman periyodunu tahmin etmek için modeller üretmeli ve ortalama mutlak ölçekli hatayı kullanarak en iyi modelleri yargılamalıdır (MAZE). Ayrıca, zamanla değişen ortak değişkenin weekend
veri setinde mevcuttur. Artık tahmin nesnesini şuna sığdırabiliriz: TimeSeriesDataFrame
daha önce üretilmiş:
Eğitim verilerini sağlamanın yanı sıra, öngörücüden kullanmasını isteriz. “medium_quality”
ön ayarlar. AutoGluon-TimeSeries, dikkate alınacak model alt kümelerini ve bunları ayarlamak için ne kadar zaman harcanacağını seçmek için birden fazla ön ayar ile birlikte gelir ve eğitim hızı ile doğruluk arasındaki dengeyi yönetir. Ön ayarların yanı sıra, daha deneyimli kullanıcılar hyperparameters
bileşen modellerini ve üzerlerinde hangi hiperparametrelerin ayarlanacağını tam olarak belirtmek için bağımsız değişken. Ayrıca 1,800 saniyelik bir zaman sınırı da belirliyoruz, ardından tahmin aracı eğitimi durduruyor.
Kaputun altında, AutoGluon-TimeSeries, saf ama güçlü temel çizgilerden başlayarak ve güçlendirilmiş ağaçlara ve sinir ağı modellerine dayalı daha karmaşık tahmincilere doğru çalışarak, belirtilen zaman çerçevesi içinde mümkün olduğu kadar çok modeli eğitir. Arayarak predictor.leaderboard()
, eğittiği tüm modellerin bir listesini ve her biri için doğruluk puanlarını ve eğitim sürelerini görebiliriz. Her AutoGluon-TimeSeries modelinin hatalarını "daha yüksek olan daha iyidir" biçiminde raporladığını unutmayın; bu, çoğu tahmin hatası ölçüsünün rapor edildiğinde -1 ile çarpıldığı anlamına gelir. Aşağıdaki örneğe bakın:
TimeSeriesPredictor ile Tahmin
Son olarak, tahmin ediciyi bir dizideki tüm zaman serilerini tahmin etmek için kullanabiliriz. TimeSeriesDataFrame
, geleceğe 7 gün. Gelecekte bilindiği varsayılan zamanla değişen ortak değişkenler kullandığımız için bunların da tahmin zamanında belirtilmesi gerektiğine dikkat edin. Aşağıdaki koda bakın:
Varsayılan olarak, AutoGluon-TimeSeries, hedef değerin hem nokta tahminlerini hem de olasılıksal (nicelik) tahminlerini sağlar. Olasılığa dayalı tahminler, birçok planlama görevinde esastır ve envanter ve kapasite planlama gibi aşağı akış görevlerini etkinleştirerek aralıkları esnek bir şekilde hesaplamak için kullanılabilirler.
Aşağıda, nokta tahminlerini ve tahmin aralıklarını gösteren örnek bir tahmin grafiği yer almaktadır.
Sonuç
AutoGluon-TimeSeries, tahmincilere ve veri bilimcilere güçlü tahmin modelleri oluşturmanın hızlı ve kolay bir yolunu sunar. Bu gönderide gösterilen kitaplığın yaygın olarak kullanılan bazı özelliklerine ek olarak, AutoGluon-TimeSeries, ileri düzey kullanıcılar için tahminleri yapılandırmak için bir dizi yol sunar. Öngörücüleri eğitmek, dağıtmak ve uygun ölçekte hizmet vermek de kolaydır. Amazon Adaçayı Yapıcı, AutoGluon derin öğrenmeyi kullanarak kaplar.
AutoGluon'u kullanma hakkında daha fazla ayrıntı, örnekler, öğreticiler ve ayrıca AutoGluon'un ele aldığı tablo veya çok modlu veriler üzerinde öğrenme gibi diğer görevler için şu adresi ziyaret edin: Otomatik Gluon. AutoGluon-TimeSeries'i kullanmaya başlamak için şu sayfamıza göz atın: hızlı başlangıç eğitimi veya derinlemesine öğretici kitaplığın sunduğu tüm özelliklere daha derin bir bakış için. AutoGluon'u takip edin Twitter, ve bize yıldız verin GitHub son güncellemelerden haberdar olmak için.
Özel bilgi işlem ve iş akışları, kurumsal düzeyde destek, tahmin açıklanabilirliği ve daha fazlasıyla geniş ölçekte tahmin için ayrıca göz atın Amazon Tahmini.
Referanslar
[1] Salinas, David, Valentin Flunkert, Jan Gasthaus ve Tim Januschowski. "DeepAR: Otoregresif yinelenen ağlarla olasılıksal tahmin." Uluslararası Tahmin Dergisi 36 (3): 2020-1181.
[2] Lim, Bryan, Sercan O Arık, Nicolas Loeff ve Tomas Pfister. "Yorumlanabilir çok ufuklu zaman serisi tahmini için Zamansal Füzyon Transformatörleri." Uluslararası Tahmin Dergisi 37.4 (2021): 1748-1764.
[3] Makridakis, Spyros, Evangelos Spiliotis ve Vassilios Assimakopoulos. "M4 Yarışması: 100,000 zaman serisi ve 61 tahmin yöntemi." Uluslararası Tahmin Dergisi 36.1 (2020): 54-74.
yazarlar hakkında
Caner Türkmen AutoGluon-TimeSeries'i geliştirmenin yanı sıra makine öğrenimi ve tahminin kesişim noktasındaki sorunlar üzerinde çalıştığı Amazon Web Services'ta Uygulamalı Bilim Adamıdır. AWS'ye katılmadan önce yönetim danışmanlığı sektöründe veri bilimcisi olarak çalıştı ve dünya genelindeki projelerde finansal hizmetler ve telekomünikasyon sektörlerine hizmet verdi. Caner'in kişisel araştırma ilgi alanları, tahmin, nedensel çıkarım ve AutoML gibi bir dizi konuyu kapsar.
Oleksandr Shchur AutoGluon-TimeSeries'te zaman serisi tahmini üzerinde çalıştığı Amazon Web Services'ta Uygulamalı Bilim Adamı. AWS'ye katılmadan önce Almanya, Münih Teknik Üniversitesi'nde Makine Öğrenimi alanında olay verileri için olasılıksal modeller üzerine araştırma yaparak doktorasını tamamladı. Araştırma ilgi alanları, zamansal veriler için makine öğrenimi ve üretken modellemeyi içerir.
Nick Erickson Amazon Web Services'ta Kıdemli Uygulamalı Bilim Adamıdır. Minnesota Twin Cities Üniversitesi'nden Bilgisayar Bilimi ve Mühendisliği alanında yüksek lisans derecesini aldı. Açık kaynaklı AutoML çerçevesi AutoGluon'un ortak yazarı ve baş geliştiricisidir. 2018'de kişisel rekabet makine öğrenimi araç seti olarak başlayan Nick, sürekli olarak AutoGluon'un yeteneklerini genişletti ve projeyi açık kaynak yapmak ve AutoML'deki en son teknolojiyi ilerletmek için tam zamanlı çalışmak üzere 2019'da Amazon AI'ya katıldı.
- AI
- yapay zeka
- AI sanat üreteci
- yapay zeka robotu
- yapay zeka
- yapay zeka sertifikası
- bankacılıkta yapay zeka
- yapay zeka robotu
- yapay zeka robotları
- yapay zeka yazılımı
- AWS Makine Öğrenimi
- blockchain
- blockchain konferans ai
- zeka
- konuşma yapay zekası
- kripto konferans ai
- dal-e
- derin öğrenme
- gluon
- google ai
- Orta (200)
- makine öğrenme
- Platon
- plato yapay zekası
- Plato Veri Zekası
- Plato Oyunu
- PlatoVeri
- plato oyunu
- ölçek ai
- sözdizimi
- zefirnet