微调

微调是更有效地利用 TimeGPT 的强大过程。TimeGPT 等基础模型经过海量数据预训练，捕捉了广泛的特征和模式。然后可以针对特定上下文或领域对这些模型进行专门化。通过微调，模型的参数将被优化以预测新任务，从而使其能够根据新数据的要求调整其庞大的现有知识。因此，微调是连接 TimeGPT 广泛功能与您的特定任务的关键桥梁。

具体来说，微调过程包括在您的输入数据上执行一定数量的训练迭代，以最小化预测误差。然后将使用更新后的模型生成预测。要控制迭代次数，请使用 forecast 方法的 finetune_steps 参数。

​

1. 导入软件包

首先，我们导入所需的软件包并初始化 Nixtla 客户端

import pandas as pd
from nixtla import NixtlaClient
from utilsforecast.losses import mae, mse
from utilsforecast.evaluation import evaluate

nixtla_client = NixtlaClient(
    # defaults to os.environ.get("NIXTLA_API_KEY")
    api_key = 'my_api_key_provided_by_nixtla'
)

👍 使用 Azure AI 端点

要使用 Azure AI 端点，请记住同时设置 base_url 参数

nixtla_client = NixtlaClient(base_url="you azure ai endpoint", api_key="your api_key")

​

2. 加载数据

df = pd.read_csv('https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/air_passengers.csv')
df.head()

​

3. 微调

这里，finetune_steps=10 意味着模型将在您的时间序列数据上进行 10 次训练迭代。

timegpt_fcst_finetune_df = nixtla_client.forecast(
    df=df, h=12, finetune_steps=10,
    time_col='timestamp', target_col='value',
)

INFO:nixtla.nixtla_client:Validating inputs...
INFO:nixtla.nixtla_client:Inferred freq: MS
INFO:nixtla.nixtla_client:Querying model metadata...
INFO:nixtla.nixtla_client:Preprocessing dataframes...
INFO:nixtla.nixtla_client:Calling Forecast Endpoint...

📘 Azure AI 中的可用模型

如果您使用的是 Azure AI 端点，请务必设置 model="azureai"

nixtla_client.forecast(..., model="azureai")

对于公共 API，我们支持两种模型：timegpt-1 和 timegpt-1-long-horizon。

默认情况下，使用 timegpt-1。关于如何以及何时使用 timegpt-1-long-horizon，请参阅本教程。

nixtla_client.plot(
    df, timegpt_fcst_finetune_df, 
    time_col='timestamp', target_col='value',
)

请记住，微调可能需要一些反复试验。您可能需要根据您的特定需求和数据的复杂性调整 finetune_steps 的数量。通常，对于大型数据集，较大的 finetune_steps 值效果更好。

建议在微调期间监控模型的性能并根据需要进行调整。请注意，更多的 finetune_steps 可能会导致更长的训练时间，如果管理不当，还可能导致过拟合。

记住，微调是一个强大的功能，但应深思熟虑、谨慎使用。

有关使用特定损失函数进行微调的详细指南，请查看使用特定损失函数进行微调教程。

另请阅读我们关于使用 finetune_depth 控制微调程度的详细教程。