timeseries-experiments/Estructura.txt

# Explicación de la nomenclatura

A continuación se muestra la estructura de los nombres utilizada según Anastasia y la generada por los practicantes.

- Estructura Anastasia:

    -item_classes.csv: contiene las clases de cada item.
    -metrics.csv: contiene las metricas de la predicción del experimento.
    -predictions_confidence.csv: contiene los intervalos de confianza de cada experimento.
    -results.csv: contiene las metricas punto por punto de la predicción del experimento.

- Estructura practicantes:
    - metrics_best_model_frequency.csv: contiene la cantidad de veces que cada modelo se consideró el mejor en cada fila del dataset según metrics.csv.
    - metrics_best_values.csv: muestra el mejor valor de la métrica por cada fila del dataset según metrics.csv.
    - metrics_merged.csv: une todos los metrics.csv de cada modelo del experimento.

    - results_best_model_frequency.csv: contiene la cantidad de veces que cada modelo se consideró el mejor en cada fila del dataset según results.csv.
    - results_best_values.csv: muestra el mejor valor de la métrica por cada fila del dataset según results.csv.
    - results_merged.csv: une todos los results.csv de cada modelo del experimento.

    - metrics_global.csv: contiene el rendimiento de los mejores 2 modelos de cada experimento realizados y los puntos de comparación considerados según metrics.csv.
    - results_global.csv: contiene el rendimiento de los mejores 2 modelos de cada experimento realizados y los puntos de comparación considerados según results.csv.

# Estructura simplificada de las carpetas y su nomenclatura

A continuación se muestra la estructura simplificada del contenido del repositorio.

Consideraciones:

    - %d_dataset_virtual_%d: el primer %d indica de qué dataset se extrajo la información del experimento, mientras que el segundo %d corresponde a la cantidad de meses que se tienen posterior al presente virtual.
    - Class: Hace referencia a los 4 tipos de clases de serie de tiempo, es decir, Lumpy, Smooth, Erratic o Intermittent.

timeseries-experiments
    ├── DATAFILE.md.dvc
    ├── datasets
    │   └──  %d_datasets
    ├── __pycache__
    ├── Resultados
    │   ├── %d_dataset_virtual_%d
    │   │   ├── model
    │   │   │   ├── item_classes.csv
    │   │   │   ├── metrics.csv
    │   │   │   ├── predictions_confidence.csv
    │   │   │   └── results.csv
    │   │   ├── metrics_best_model_frequency.csv
    │   │   ├── metrics_best_values.csv
    │   │   ├── metrics_merged.csv
    │   │   ├── results_best_model_frequency.csv
    │   │   ├── results_best_values.csv
    │   │   ├── results_merged.csv
    │   │   └──  _Results_by_class
    │   │       ├── Class
    │   │       │   ├── metrics_best_model_frequency.csv
    │   │       │   ├── metrics_best_values.csv
    │   │       │   ├── results_best_model_frequency.csv
    │   │       │   └── results_best_values.csv
    │   │       └──  Class.csv
    │   ├── Class_global
    │   │   ├── metrics_global.csv
    │   │   ├── results_global.csv
    │   │   ├── rmse
    │   │   │   ├── metrics_global.csv
    │   │   │   └── results_global.csv
    │   │   └── smape
    │   │       ├── metrics_global.csv
    │   │       └── results_global.csv
    │   ├── rmse
    │   │   ├── metrics_global.csv
    │   │   └── results_global.csv
    │   └──  smape
    │       ├── metrics_global.csv
    │       └── results_global.csv
    ├── Demand Forecasting API.ipynb
    ├── df_api.py
    ├── experiments_script.ipynb
    ├── experiment_tracking.json
    ├── funciones.py
    ├── Resultados.dvc
    └── script_practicantes.ipynb