Vorhersagen mit der Zeitreihenbereitstellung

Nachdem Sie Ihr Zeitreihenmodell bereitgestellt und genehmigt haben, können Sie zeitspezifische Prognosen erstellen. In diesem Tutorial erstellen wir eine Vorhersagekonfiguration innerhalb der ML-Bereitstellung und verwenden sie, um eine Stapelvorhersage durchzuführen.

Bisher haben wir tägliche Umsatzdaten verwendet, um ein Modell für maschinelles Lernen zu erstellen. Das Ziel dieses Prozesses bestand darin, mithilfe von maschinellem Lernen Muster zu erkennen und diese auf neue Daten anzuwenden.

Verstehen von Vorhersagen mit Zeitreihenmodellen

Es ist wichtig, die Unterschiede bei Vorhersagen für Zeitreihenmodelle zu verstehen, da diese sich von Vorhersagen für andere Modelltypen unterscheiden. Die Schritte, die Sie zur Vorbereitung Ihres Anwendungsdatensatzes ausführen, unterscheiden sich von den Schritten für andere Modelltypen.

Bei Zeitreihenmodellen werden neue Vorhersagen als neue Zeilen und nicht als separate Spalte hinzugefügt.

Erstellen eines Anwendungsdatensatzes

Dieser Abschnitt beschreibt, wie Sie Ihren Anwendungsdatensatz für diese Zeitreihenaufgabe erstellen können. Dabei wird nicht der eigentliche Prozess des Kompilierens der Datensatzzeilen gezeigt, sondern der Workflow.

Spaltenstruktur

Ihr Anwendungsdatensatz muss dasselbe Schema enthalten wie das Zeitreihenmodell, das Sie bereitgestellt haben. Das Schema finden Sie beim Öffnen der ML-Bereitstellung.

Auf jeden Fall muss der Anwendungsdatensatz dieselben Spalten wie das Modellschema enthalten, d. h., eine Spalte für jedes der folgenden Elemente:

• Datumsindex

• Ziel

• Gruppen

• Features (Kovariaten)

Zeilenstruktur

Ihr Datensatz muss die folgenden Datensatzeinträge (Zeilen) enthalten:

• Spalten und Spaltenüberschriften für alle Spalten, die in dem Trainingsdatensatz enthalten sind.

• Der gleiche Zeitschritt wie der Trainingsdatensatz.

• Für jedes Ziel und jede Gruppe müssen vor dem Prognose-Stichtag mindestens genauso viele historische Datensätze vorliegen wie im Anwendungsfenster für das Modell. Hierbei muss es sich um vollständige Datensätze handeln, die die historisch beobachteten Datums- oder Zeitstempel, das Ziel und Kovariatenwerte enthalten. Das Anwendungsfenster wird durch das während des Trainings konfigurierte Prognosefenster und die Lücke bestimmt – je weiter die Prognose in die Zukunft liegt, desto mehr historische Daten werden in Ihrem Anwendungsdatensatz benötigt, um Prognosen zu erstellen.

• Datensätze für alle zukünftigen Zeitschritte innerhalb Ihres Prognosehorizonts. Fügen Sie für diese zukünftigen Datensätze nur die Werte für die Datumsindexspalte sowie alle zukünftigen Funktionen hinzu. Lassen Sie die Werte für die anderen Spalten leer.

Weitere Änderungen

Möglicherweise müssen Sie weitere Änderungen am Datensatz vornehmen, damit er dem Modellschema entspricht. Insbesondere werden gruppierte Features, wenn sie während des Trainings als Gruppen ausgewählt werden, automatisch in den kategorialen Feature-Typ umgewandelt, damit sie als Gruppen verwendet werden können. Wenn in den Anwendungsdaten Features vorhanden sind, die numerische Daten enthalten und die Sie als Gruppen verwenden, müssen Sie deren Datentyp umwandeln, damit sie als kategoriale Daten identifiziert werden. Ein Beispiel hierfür wird in Vorbereiten des Datensatzes erläutert.

Vorbereiten des Datensatzes

In diesem Tutorial wird ein Anwendungsdatensatz bereitgestellt, der bereits mit den erforderlichen Spalten und Datensätzen konfiguriert wurde. Der bereitgestellte Anwendungsdatensatz enthält jedoch eine numerische Spalte, store_nbr, die im Modell als Gruppe konfiguriert wurde. Sie müssen also ein Skript erstellen, um diese Spalte in String-Daten umzuwandeln.

Gehen Sie folgendermaßen vor:

1. Gehen Sie zur Seite „Erstellen“ des Aktivitätscenters Analysen und wählen Sie Skript aus.

2. Geben Sie einen Namen für das Skript ein, zum Beispiel Umgewandelte Anwendungsdaten.

3. Wählen Sie einen Bereich für das Skript aus. Es muss derselbe Bereich sein, in dem Sie den ursprünglichen Anwendungsdatensatz gespeichert haben.

4. Klicken Sie auf Erstellen.

5. Wechseln Sie in Skript zum Editor.

6. Klicken Sie unter Abschnitte auf , um einen neuen Abschnitt hinzuzufügen.

7. Fügen Sie das unten stehende Ladeskript in den Editor ein.

8. Klicken Sie auf Daten exportieren.

ApplyDataset_Transformed:

LOAD
    id,
    "date",
    text(store_nbr) as store_nbr,
    family,
    sales,
    onpromotion
FROM [lib://:DataFiles/ML - Multivariate forecasting - apply.csv]
(txt, codepage is 28591, embedded labels, delimiter is ',', msq);

Store [ApplyDataset_Transformed] into [lib://:DataFiles/Final transformed apply dataset.qvd](QVD);

Nachdem das Skript ausgeführt wurde, ist ein neuer Anwendungsdatensatz, Final transformed apply dataset.qvd, im selben Bereich wie der ursprüngliche Anwendungsdatensatz vorhanden.

Erstellen von Vorhersagen

Nachdem Sie nun einen kompatiblen Anwendungsdatensatz haben, verwenden Sie ihn, um Vorhersagen in Ihrer ML-Bereitstellung zu erstellen.

Gehen Sie folgendermaßen vor:

1. Öffnen Sie im Katalog die Bereitstellung Umsatzprognose, die Sie in Bereitstellen eines Zeitreihenmodells erstellt haben.

2. Klicken Sie unten rechts auf Vorhersage erstellen.

3. Klicken Sie im Fenster Vorhersagekonfiguration auf der rechten Seite unter Anwendungsdaten auf Anwendungsdatensatz auswählen.

4. Wählen Sie die Anwendungsdatensatz-Datei aus: Final transformed apply dataset.qvd.

5. Vergleichen Sie die Schemas der Trainings- und Anwendungsdatensätze. Es dürfen keine Schemadiskrepanzfehler vorliegen.

6. Klicken Sie im Fenster Vorhersagekonfiguration auf Vorhersagedatensatz benennen. Geben Sie den folgenden Namen ein: ML - Sales predictions. Verwenden Sie das Parquet-Standardformat.

7. Wählen Sie einen Bereich aus und klicken Sie auf Bestätigen.

Klicken Sie auf das Symbol neben Speichern und schließen. Wählen Sie Jetzt speichern und Vorhersage erstellen aus.

Der Prozess kann in Datensatzvorhersagen überwacht werden. Sie können die Ausgabe im Katalog überprüfen, indem Sie im angezeigten Popup-Fenster auf Öffnen klicken.

Nachdem die Vorhersage ausgeführt wurde, erstellen Sie eine App, um Ihre Vorhersagen anzuzeigen. Gehen Sie zum nächsten Thema weiter.