Arbeiten mit Datums-Features in Vorhersagen
Beim Ausführen von Vorhersagen in einer ML-Bereitstellung, die mit automatisch entwickelten Datums-Features trainiert wurde, gibt es Anforderungen an die Angabe von Datum und Uhrzeit in den Anwendungsdaten. Diese Anforderungen und Überlegungen unterscheiden sich geringfügig, je nachdem, ob Sie Stapelvorhersagen, Echtzeitvorhersagen oder den Qlik Predict Analysekonnektor verwenden.
Automatische technische Planung des Datums-Features
Die automatische technische Planung von Features ist ein Datenvorbereitungsschritt, der in einem ML-Experiment während des Modelltrainings durchgeführt wird. Bei diesem Prozess werden neue Features anhand des Trainingsdatensatzes erstellt und dann zum Trainieren des Modells verwendet. Für Datums-Feature-Spalten wird dieser Prozess standardmäßig automatisch ausgeführt. Benutzer können das Engineering von Datums-Features deaktivieren. In den meisten Fällen wird jedoch empfohlen, diese Funktion zu verwenden.
Weitere Informationen finden Sie unter Technische Planung des Datums-Features.
Anforderungen für Stapelvorhersagen
Automatisch erstellte Datums-Features werden erzeugt, wenn der Trainingsdatensatz zur Erstellung eines Modells genutzt wird, das bereitgestellt und als ML-Bereitstellung zur Erstellung von Vorhersagen für neue Daten verwendet wird (bei Stapelvorhersagen ist dies der Anwendungsdatensatz).
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 (von dem die Datumsteile abgeleitet wurden), und die Spalte muss 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.
Anforderungen für Echtzeitvorhersagen und konnektorbasierte Vorhersagen
Beim Ausführen von Echtzeitvorhersagen und Vorhersagen über den Qlik Predict Analysekonnektor gibt es Anforderungen für Datums-Features in den Anwendungsdaten, die Sie Qlik Predict bereitstellen. Für diese Arten von Vorhersagen werden die Anwendungsdaten in einer kleinen JSON-Nutzlast und nicht als Anwendungsdatensatz angegeben. Sowohl für Echtzeit- als auch für konnektorbasierte Vorhersagen senden Sie die JSON-Nutzlast an den Echtzeitvorhersage-Endpunkt in der Machine Learning API.
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 oben genannten Anforderungen:
-
Gelten nur für Features, die mit Datums-Feature-Engineering trainiert wurden. Wenn der Feature-Typ manuell in den kategorialen Feature-Typ geändert wird, gelten diese Anforderungen nicht. Wenn der Feature-Typ in kategorial geändert wurde, geben Sie die Spalte im Datumsformat, in dem sie ursprünglich für das Training verwendet wurde, in den Anwendungsdaten an.
-
Gelten nicht für Zeitreihenmodelle.
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.