Escolher a configuração¶

Os parâmetros de AutoHybridExperiment que mais mudam o resultado, com o padrão, quando mudar e o que isso custa. A lista completa está na Referência da API.

Parâmetro	Padrão	Quando mudar	Efeito e custo
`fh`	14	sempre: é o horizonte que interessa à decisão (7 para uma semana de dados diários, 12 para um ano de dados mensais)	horizontes longos acumulam erro na variante A
`test_size`	`fh`	`0` para prever o futuro sem teste selado (operação); um bloco maior para uma avaliação final mais estável	pontos selados saem do histórico de desenvolvimento
`fold`	`"auto"` (7)	um inteiro menor só para explorar rápido	a regra de aceite foi calibrada para 7 origens; com menos, aceita estruturas espúrias com mais frequência; o custo cresce com o número de origens
`seasonal_period`	pela frequência	um inteiro quando o ciclo é conhecido; `"auto"` para testar o ciclo antes da busca (Diagnóstico da série)	define os modelos sazonais, a STL e a escala da MASE
`variant`	`"A"`	`"B"` quando cada valor chega antes da próxima previsão (Variantes A e B: como a previsão encontra o futuro)	os erros das duas variantes não são comparáveis
`budget`	`"small"`	`"smoke"` para testar; `"medium"`/`"large"` para explorar mais híbridos	custo proporcional a candidatas × origens; `max_trials` fixa o total
`base_models`, `correctors`	9 bases, 3 corretores	para incluir modelos opcionais (`sarima`, boosting …) ou reduzir a busca	cada modelo a mais multiplica as combinações de híbridos
`profile`	`"standard"`	`"research_strict"` para exigir cobertura total; `"quickstart"` desliga o critério de variabilidade	muda o que a regra de aceite exige
`significance_alpha`	`None`	para exigir também um teste de Wilcoxon pareado	quase não aceita híbridos espúrios, mas recusa a maioria dos ganhos úteis (Seleção incremental)
`metrics`	MASE, MAE, RMSE, sMAPE	`RMSSE` primeiro para demanda intermitente (Ler os resultados)	a primeira métrica ordena e decide
`differencing`	`None`	`"auto"` para os modelos sobre defasagens escolherem as diferenças	escolha no treino de cada origem; precisa do extra `stats`
`max_wall_time_s`	`None`	para limitar o tempo da busca	resultados podem mudar entre máquinas; para reproduzir, limite por quantidade
`n_jobs`	1	para avaliar candidatas em paralelo	não muda o resultado (os limites valem para a lista ordenada de propostas)
`session_id`	42	para repetir um experimento com outra semente	a mesma semente e os mesmos dados dão a mesma busca

Um ponto de partida por objetivo:

# explorar rápido (resultados indicativos)
AutoHybridExperiment(fh=14, budget="smoke", fold=3)

# decisão para um relatório
AutoHybridExperiment(fh=14)                         # padrões calibrados

# operação diária, um passo por vez
AutoHybridExperiment(fh=1, variant="B", test_size=0)

# série com ciclo incerto e tendência
AutoHybridExperiment(fh=14, seasonal_period="auto", differencing="auto")

Acompanhar o progresso¶

progress=True mostra uma barra (tqdm) por etapa: cada estágio da busca (S0 bases, S2 resíduos, S3 refino, SX exógenas, S4 avançadas), os finalistas avaliados em V_select, a escolha de exógenas, as dobras da validação cruzada e da CV aninhada e o teste externo de compare_external. Em notebooks a barra é um widget; no terminal, texto. Precisa do extra progress (o notebook já o traz). As barras só informam: nada do que é avaliado muda.

exp = AutoHybridExperiment(fh=14, progress=True).fit(y)
exp.compare_models()

Com ou sem barras, cada evento do experimento (ajuste, fim da busca, fim da seleção, finalização, avaliação externa) vai para o logger "autohybts" do logging, com a duração. Para gravar num arquivo:

import logging

logging.basicConfig(filename="experimento.log", level=logging.INFO)
# ou só a biblioteca:
logging.getLogger("autohybts").setLevel(logging.INFO)