0 / 0
Go back to the English version of the documentation
Zaman serisi deneyleri için veri yükleme uygulama ayrıntıları
Last updated: 18 Ağu 2023
Zaman serisi deneyleri için veri yükleme uygulama ayrıntıları

Zaman serisi deneylerinde veri yükleme için kullanılan deney ayarları.

Veri yükleme yöntemleri

Bir veri kümesinde eksik değerler sağlamak için deney ayarlarında bu veri yükleme yöntemlerinden birini uygulayın.

Sınıflandırma ve regresyon deneyleri için veri yükleme yöntemleri
Yükleme yöntemi Açıklama
FlattenIterative Zaman serisi verileri önce düzleştirilir, daha sonra eksik değerler Scikit-learn iterative imputer ile örülür.
Doğrusal Eksik değeri ifade etmek için doğrusal aradeğerleme yöntemi kullanılır.
Kübik Eksik değeri örtük olarak ifade etmek için kübik ara değerleme yöntemi kullanılır.
Önceki Eksik değer, önceki değerle örtük.
İleri Eksik değer, sonraki değerle örtük.
Dolgu Eksik değer, kullanıcı tarafından belirtilen değer ya da örnek ortalama ya da örnek medyan kullanılarak elde edilir.

Giriş Ayarları

Bu komutlar, bir dizüstü bilgisayardaki zaman serisi deneyleri için veri somutlaşmasını desteklemek amacıyla kullanılır.

Zaman serisi deneyleri için veri yükleme yöntemleri
Ad Açıklama Değer DefaultValue
kullan_yükleme Yükleme açılmasını ya da kapanmasına ilişkin işaret. Doğru ya da Yanlış Doğru
imputer_list Aranacak öter adlarının (dizgilerin) listesi. Liste belirtilmezse, tüm varsayılan ötücüler aranır. Boş bir liste geçirilirse, tüm ötücüler aranır. "FlattenIterative", "Doğrusal", "Kübik", "Önceki", "Doldur", "Sonraki" "FlattenIterative", "Lineer", "Kübik", "Önceki"
imputer_fill_type "Dolgu" doldurucu kategorileri "ortalama"/"medyan"/"değer" "değer"
imputer_fill_value Tüm eksik değerler için doldurulacak tek bir sayısal değer. Yalnızca "imputer_fill_type" "value" olarak belirtildiğinde geçerlidir. "imputer_fill_type" için "ortalama" ya da "median" belirtilirse yoksayılır. (Negatif Sonsuzluk, Pozitif Sonsuzluk) 0
imputation_threshold Yükleme eşiği. Eksik değer oranı, bir sütundaki eşikten büyük olmamalıdır. Tersi durumda bir hatayla sonuçlanır. (0, 1) 0.25

use_imputation kullanımı için notlar

  • use_imputation yöntemi True olarak belirtilirse ve giriş verilerinde eksik değerler varsa:

    • imputation_threshold geçerli olur.
    • imputer_list içindeki imputer adayları, en iyi imputer 'ı aramak için kullanılır.
    • En iyi örtük Fill, imputer_fill_type ve imputer_fill_value uygulanırsa; tersi durumda yoksayılır.
  • use_imputation yöntemi True olarak belirtilirse ve giriş verilerinde eksik değerler yoksa:

    • imputation_threshold yoksayıldı.
    • imputer_list içindeki imputer adayları, en iyi imputer 'ı aramak için kullanılır. En iyi örtük Fill, imputer_fill_type ve imputer_fill_value uygulanırsa; tersi durumda yoksayılır.
  • use_imputation yöntemi False olarak belirtilirse, ancak giriş verilerinde eksik değerler varsa:

    • use_imputation bir uyarıyla açıldıktan sonra, yöntem ilk senaryoya ilişkin davranışı izler.
  • use_imputation yöntemi False olarak belirtilirse ve giriş verilerinde eksik değer yoksa, başka işlem yapılması gerekmez.

Örneğin:

"pipelines": [
      {
        "id": "automl",
        "runtime_ref": "hybrid",
        "nodes": [
          {
            "id": "automl-ts",
            "type": "execution_node",
            "op": "kube",
            "runtime_ref": "automl",
            "parameters": {
              "del_on_close": true,
              "optimization": {
	          "target_columns": [2,3,4],
	          "timestamp_column": 1,
	          "use_imputation": true
              }
            }
          }
        ]
      }
    ]

Üst konu: AutoAI deneylerinde veri yükleme

Generative AI search and answer
These answers are generated by a large language model in watsonx.ai based on content from the product documentation. Learn more