Alle Parameter auf einem Blick

{
    "id": 1,
    "gai": "example_gai",
    "target_attribute": "target",
    "forecast_length": 10,
    "context_length": 10,
    "feature_attributes": ["feature1", "feature2", "feature3"], 
    "start_date": "2024-01-01",
    "parameters": {
        "num_classes": null,
        "binary_encoding": null,
        "num_lstm_layers": 2,
        "lstm_units": 50,
        "activation": "tanh",
        "learning_rate": 0.001,
        "optimizer_type": "adam",
        "clipnorm": null,
        "loss": "mean_squared_error",
        "dropout_rate": 0.0,
        "recurrent_dropout_rate": 0.0,
        "num_dense_layers": 0,
        "dense_units": 50,
        "dense_activation": "relu",
        "use_batch_norm": false,
        "metrics": ["mse"],
        "stateful": true,
        "batch_size": 1
    },
    "trainingparameters": {
        "epochs": 50,
        "patience": 5,
        "sleep_time": 3600,
        "percentage_data_when_to_retrain": 1.15,
        "validation_split": 0.2,
        "objective": "val_loss"
    },
    "hyperparameters": {
        "activation": ["tanh", "relu", "sigmoid", "linear"],
        "dense_activation": ["tanh", "relu", "sigmoid", "linear"],
        "num_lstm_layers": { "min_value": 1, "max_value": 4, "step": 1 },
        "lstm_units": { "min_value": 32, "max_value": 256, "step": 32 },
        "dropout_rate": { "min_value": 0.0, "max_value": 0.5, "step": 0.1 },
        "recurrent_dropout_rate": { "min_value": 0.0, "max_value": 0.5, "step": 0.1 },
        "num_dense_layers": { "min_value": 0, "max_value": 3, "step": 1 },
        "dense_units": { "min_value": 32, "max_value": 256, "step": 32 },
        "learning_rate": { "min_value": 0.0001, "max_value": 0.01, "sampling": "log" },
        "optimizer_type": ["adam", "sgd", "rmsprop", "adagrad", "adadelta", "adamax", "nadam"],
        "use_batch_norm": false,
        "percent_data": 0.01,
        "max_trials": 100,
        "best_trails_percent": 0.05
    },
    "train": false,
    "forecast": false,
    "datalength": 0,
    "latest_timestamp": null,
    "scaler": "",
    "state": null
    "processing_status": "new",
}

• id, gai, target_attribute: Allgemeine Angaben zum Asset und Zielattribut. → Target Attribute
• forecast_length, context_length: Steuerung des Prognosezeitraums und der betrachteten Vergangenheitswerte. → Was bewirkt die forecast_length? → Was ist die context_length?
• feature_attributes: Zusätzliche Attribute, die für die Prognose verwendet werden. → Feature Attributes
• parameters: Manuell angegebene Trainingsparameter (fix, keine Hyperparameter-Suche). → Parameter Konfiguration
• trainingparameters: Steuerung des Trainingsablaufs (z. B. Epochen, Validierung). → Training Parameter einstellen
• hyperparameters: Einstellungen zur automatischen Optimierung der Hyperparameter. → Was sind Hyperparameter
• processing_status: Fortschrittsstatus des Trainings und Forecastings. → Automatische Parameter
• train, forecast: Optionen zur Aktivierung/Deaktivierung von Training oder Forecasting. → Training und Forecasting an- und ausschalten
• datalength: Anzahl der Datenpunkte, auf denen das letzte Modell trainiert wurde. → Automatische Parameter
• latest_timestamp: Zeitstempel des aktuellen Modellstands. → Automatische Parameter
• scaler: Angabe des Skalierungsverfahrens (hier „minmax“ für -1 bis 1). → Automatische Parameter
• state: LSTM-Zustände des letzten Zeitpunkts. → Automatische Parameter