Technische Planung des Datums-Features
Qlik Predict erstellt automatisch erstellte Features aus berechtigten Spalten mit dem Feature-Typ „Datum“, die als Spalten mit Datums- und Uhrzeitinformationen identifiziert wurden. Automatisch erstellte Datums-Features und die übergeordneten Features, aus denen sie abgeleitet sind, werden mit einem 
-Symbol gekennzeichnet.
Wenn Qlik Cloud Analytics Profile für den Trainings-Datensatz erstellt, den Sie für die Nutzung in Qlik Predictausgewählt haben, verknüpft es bestimmte Datentypen mit dem Feature-Typ „Datum“. Dies umfasst folgende Datentypen:
-
Datum
-
Datum und Uhrzeit
-
Uhrzeit
-
Zeitstempel
Features, die beliebigen dieser Datentypen während der Profilerstellung zugewiesen werden, erhalten den Feature-Typ „Datum“. Informationen zu den verfügbaren Profilstatistiken, die für Ihre Datenfelder angezeigt werden können, finden Sie unter Listenansicht.
Nach Möglichkeit zeigt Qlik Predict eine Liste automatisch erstellter Datums-Features an, die aus berechtigten übergeordneten Features erstellt werden können, welche den Feature-Typ „Datum“ besitzen. Automatisch erstellte Datums-Features sind im Experiment standardmäßig enthalten. Wenn Sie sich dafür entscheiden, sie miteinzubeziehen, werden die neuen Features nach v1 des Experiments erzeugt.
Automatisch erstellte Datums-Features haben den Feature-Typ „Numerisch“. Sie sind standardmäßig im Experiment enthalten, sind jedoch optional. Sie können einige oder alle davon entfernen, bevor Sie das Experimenttraining beginnen oder wenn Sie die nächste Experimentversion konfigurieren. Wenn automatisch erstellte Datums-Features miteinbezogen werden, wird das ursprüngliche übergeordnete Datums-Feature aus dem Experiment entfernt.
Stattdessen können Sie das übergeordnete Datums-Feature als kategoriales oder numerisches Feature einschließen. Wenn Sie dies tun, sind die automatisch erstellten Datums-Features nicht mehr nutzbar. In den meisten Fällen wird empfohlen, verfügbare automatisch erstellte Features in Ihrem Experiment zu nutzen, da sie die Leistung Ihrer Modelle für maschinelles Lernen steigern. Es kann jedoch Szenarien geben, in denen eine Spalte als Datums-Feature identifiziert wird, aber als kategoriales oder numerisches Feature behandelt werden muss. In diesen Fällen können Sie den Feature-Typ manuell ändern.
Automatisch erstellte Datums-Features zählen nicht zur Qlik Predict-Datensatzgröße (maximale Zellenanzahl in Trainingsdatensätzen und Anwendungsdatensätzen), die in Ihrem Qlik Cloud-Abonnement angegeben ist. Es werden nur die ursprünglichen Datums-Spaltenzellen gezählt.
Schemaansicht mit automatisch erstellten Features, die von einem übergeordneten Datums-Feature „Rechnungsdatum“ erzeugt werden können. Achten Sie auf den Unterschied zwischen dem Datentyp und dem Feature-Typ jedes Features.
Verwenden eines Datums-Features im Experimentziel
In dem seltenen Fall, in dem Sie ein Feature mit Datums- und Uhrzeitinformationen als Ziel Ihres Experiments nutzen möchten, wird der Feature-Typ der Spalte von „Datum“ auf „Kategorial“ umgestellt, und die automatisch erstellten Features werden entfernt. Wenn Sie ein anderes Ziel auswählen und dann später das Datums- und Uhrzeit-Feature als reguläres Feature hinzufügen möchten, müssen Sie es, falls nötig, manuell wieder auf den Feature-Typ „Datum“ umstellen. Falls Sie das Feature wieder auf den Feature-Typ „Datum“ umstellen, werden die automatisch erstellten Datums-Features erneut erzeugt.
Weitere Informationen zum Ändern der Feature-Typen finden Sie unter Ändern der Feature-Typen.
Verfügbare automatisch erstellte Datums-Features
Beim Generieren von automatisch erstellten Datums-Features aus einer Spalte in Ihrem Datensatz extrahiert und berechnet Qlik Predict spezifische Komponenten jedes Datums- und Datum-Uhrzeit-Werts und isoliert dabei jede Komponente in ihrer eigenen Spalte. Die Tabelle unten listet die automatisch erstellten Features auf, die von Qlik Predict generiert werden können.
| Automatisch erstelltes Feature | Datentyp | Feature-Typ | Beschreibung |
|---|---|---|---|
| YEAR | Ganze Zahl | Numerisch | Jahresfeld, das direkt aus dem Quelldatum- oder -zeitstempel analysiert wird. |
| MONTH | Ganze Zahl | Numerisch | Monatsfeld, das direkt aus dem Quelldatum- oder -zeitstempel analysiert wird. |
| DAY | Ganze Zahl | Numerisch | Tagesfeld, das direkt aus dem Quelldatum- oder -zeitstempel analysiert wird. |
| HOUR | Ganze Zahl | Numerisch | Stundenfeld, das direkt aus dem Quelldatum- oder -zeitstempel analysiert wird. |
| MINUTE | Ganze Zahl | Numerisch | Minutenfeld, das direkt aus dem Quelldatum- oder -zeitstempel analysiert wird. |
| SECOND | Ganze Zahl | Numerisch | Sekundenfeld, das direkt aus dem Quelldatum- oder -zeitstempel analysiert wird. |
| DAYOFWEEK | Ganze Zahl | Numerisch | Wochentag, der aus dem Quelltag, -monat und -jahr errechnet wird. |
| WEEK | Ganze Zahl | Numerisch | Kalenderwoche, die aus dem Quelltag, -monat und -jahr errechnet wird. |
Für jedes neue Feature, das erstellt wird, wird dem ursprünglichen Spaltennamen das anwendbare, automatisch erstellte Feature angehängt.
Automatisch erstellte Datums-Features im Fensterbereich für die Experimentkonfiguration
Automatisch erstellte Datums-Features und Zeitreihenmodelle
Wenn Sie eine Datumsindexspalte für ein Zeitreihenexperiment auswählen, wird der Datumsfunktionstyp für diese Spalte verwendet. Allerdings wird Merkmalsaufbereitung für Datumsangaben in Zeitreihenmodellen nicht unterstützt. Automatisch aufbereitete Datumsfunktionen können nicht aus der Spalte abgeleitet werden.
Weitere Informationen über Zeitreihenmodelle finden Sie unter Arbeiten mit Zeitreihenexperimenten und Arbeiten mit multivariaten Zeitreihenprognosen.
Automatisch erstellte Datums-Features in Prognosen
Weitere Informationen über das Arbeiten mit Datums-Features beim Ausführen von Vorhersagen finden Sie unter Arbeiten mit Datums-Features in Vorhersagen.
Weitere Informationen
Automatisch erstellte Datums-Features in Prognosen
Automatisch erstellte Datums-Features werden erzeugt, wenn der Trainings-Datensatz zur Erstellung eines Modells genutzt wird, das bereitgestellt und als ML-Bereitstellung zur Erstellung von Vorhersagen für neue Daten (dem Anwendungsdatensatz) verwendet wird.
Wenn ein Modell, das mit automatisch erstellten Datums-Features trainiert wurde, für die Erstellung von Vorhersagen bereitgestellt wird, muss der Anwendungsdatensatz, anhand dessen Sie Vorhersagen erzeugen, die automatisch erstellten Datums-Features nicht enthalten. Qlik Predict generiert die automatische erstellten Features für den Anwendungsdatensatz vor der Vorhersage. Jedoch muss der Anwendungsdatensatz das übergeordnete Datums-Feature enthalten, und die Spalte muss so profiliert worden sein, dass sie den Datentyp Datum, Datum/Uhrzeit, Zeitstempel oder Uhrzeit haben.
Die Vorhersagedatensätze, die von einer ML-Bereitstellung erstellt wurden, einschließlich SHAP und Anwendungsdatensätze, enthalten die automatisch erstellten Datums-Features.
Automatisch erstellte Datums-Features in Echtzeit-Prognosen
Damit der Echtzeitvorhersagen-Endpunkt in der Machine Learning API Ihre Datums- und Zeitstempel-Felder verarbeiten kann, muss die JSON-Nutzlast, die Sie an den Endpunkt senden, die folgenden Anforderungen erfüllen:
-
Datums- und Datum-/Uhrzeit-Werte müssen Zeichenketten sein, die nach den ISO 8601-Standards formatiert sind. Beispiele:
-
2020-01-14
-
2020-01-14T00:00:00.000Z
-
-
Das übergeordnete Datum –die Funktion, aus der die Datumsteile abgeleitet wurden – muss vollständig enthalten sein. Zum Beispiel verwendet Ihr Modell möglicherweise nur eine Jahr-Funktion, aber Sie müssen das Datum trotzdem im ISO 8601-konformen Format angeben.
-
Daten in jeder Spalte müssen aus derselben Zeitzone stammen.
Die Echtzeitvorhersagen-API ist veraltet und wurde durch den Echtzeitvorhersagen-Endpunkt in der Machine Learning API ersetzt. Die Funktionalität selbst ist nicht veraltet. Verwenden Sie für künftige Echtzeitvorhersagen den Echtzeitvorhersagen-Endpunkt in der Machine Learning API. Informationen zur Migration von der Echtzeitvorhersagen-API zur Machine Learning API finden Sie im Migrationsleitfaden im Qlik Cloud Entwicklerportal.