1. AutoGluonの哲学：なぜ強力なのか？

AutoGluonは、以下の3つの要素を自動化する「熟練データサイエンティスト」と考えることができます。

2. AutoGluonの内部処理フロー

`predictor.fit()` の中で何が起きているか？

詳細：ローリングウィンドウ検証の仕組み

AutoGluonは、提供された学習データをさらに分割し、時間軸をずらしながら「学習→予測→評価」を繰り返します。これにより、信頼性の高い性能評価を実現します。

3. AutoGluonのモデル動物園（Model Zoo）

AutoGluonは、問題の性質に応じてこれらのモデルを自動で選択し、試行します。

4. 性能向上のための実践的ノウハウ

Tip 1: `presets` を使い分ける

まずはプリセットで全体像を掴むのが基本戦略です。

• medium_quality: 最初のベースライン確認用。高速。
• high_quality: 精度と速度のバランスが良い。
• best_quality: 時間をかけて最高精度を追求。コンペの基本。

Tip 2: GPUメモリ不足 (CUDA OOM) を回避する

ディープラーニングモデル学習時の最頻出エラーです。hyperparameters引数でbatch_sizeを明示的に小さくすることで回避します。

# GPUモデルのバッチサイズを小さく設定
hyperparameters = {
    "DeepAR": {"batch_size": 32},
    "TiDE": {"batch_size": 32},
    # モデル名は基本名で指定
    "Chronos": {"batch_size": 16},
}

predictor.fit(..., hyperparameters=hyperparameters)
        

Tip 3: `refit_full=True` でモデルを仕上げる

コンペ提出用の最終モデル作成時に推奨されるオプションです。検証に使ったデータも含めた全学習データで再学習するため、モデルの汎化性能が向上します。

Tip 4: `known_covariates` を最大限活用する

予測したい未来の期間で値が確定している特徴量（例: 天気予報、祝日、セール期間）は、known_covariatesとして与えることで予測精度を劇的に向上させることができます。これはAutoGluonの性能を引き出す上で最も重要な要素の一つです。