EnergiCast

AutoML i walidacja

Moduł energicast.automl zapewnia proste narzędzia do automatycznego strojenia modeli.

Pętla Optuna (AutoML)

AutoML pobiera rejestr modeli (np. MODEL_REGISTRY.registry) oraz funkcję oceny. Kluczowe elementy:

• Przestrzeń wyszukiwania – nazwy modeli deklarowane w rejestrze.
• Obliczanie metryk – obiekt metric_fn powinien zwracać wartość do minimalizacji (np. średnią stratę pinball na ostatnim oknie walidacyjnym).
• Krok treningu – w każdej próbie tworzony jest nowy model (cls(horizon=horizon)), dopasowywany do danych y i opcjonalnych cech X.
• Wynik – po n_trials najlepsze hiperparametry są dostępne pod AutoML.best_.

Walidacja krocząca

energicast.automl.validation udostępnia strukturę RollingOriginConfig oraz funkcję rolling_origin_windows, która odwzorowuje logikę pipeline. Typowy workflow:

from energicast.automl.validation import RollingOriginConfig, rolling_origin_windows

index = frame.index
cfg = RollingOriginConfig(horizon=24, test_size=96, n_windows=3, step_size=24)
windows = rolling_origin_windows(index, cfg)

Każdy element listy to RollingWindow(train=..., test=...), zawierający indeksy wykorzystywane do trenowania i ewaluacji. Funkcja validation_records_frame przekształca wyniki walidacji (np. listę słowników) do ramki danych kompatybilnej z ForecastPipeline.

Rolling-origin w praktyce

• test_size powinno być co najmniej tak duże jak horizon, ponieważ walidacja korzysta z pełnych okien prognozy.
• step_size steruje odległością pomiędzy kolejnymi oknami; wartość 24 oznacza przesunięcie o jeden dzień przy danych godzinowych.
• n_windows definiuje liczbę walidacji – w pipeline wyniki trafiają do validation_results_ i są wykorzystywane w backtest.run_backtest.

Integracja z Optuna

Walidację można połączyć z AutoML poprzez agregację metryk z każdego okna i przekazanie ich jako metric_fn. Nic nie stoi na przeszkodzie, aby w metric_fn korzystać z funkcji z energicast.metrics.metrics, np. multi_quantile_pinball.

This site is open source. Improve this page.