Crear y configurar el experimento de series temporales

Paso 4: Seleccionar grupos

El conjunto de datos de entrenamiento para este tutorial está diseñado para la previsión multivariante. Con la previsión multivariante, el objetivo es predecir los valores objetivo junto con otras dimensiones que varían directamente junto con el objetivo. Por ejemplo, en este tutorial, los datos contienen métricas de ventas seguidas individualmente para cada tienda y familia de productos. La previsión multivariante le permite combinar cada una de estas dimensiones —que de otro modo necesitarían ser entrenadas como modelos aparte, separados— en un único experimento, lo que permite a los modelos aprender más sobre los patrones e interacciones entre diferentes cohortes de datos.

Se configuran experimentos multivariante seleccionando hasta dos columnas de los datos de entrenamiento para usar como grupos.

El objetivo de este tutorial es entrenar modelos para aprender y predecir ventas junto con el número de tienda y la familia de productos, así que seleccione estas dos columnas como grupos.

Haga lo siguiente:

• Seleccione store_nbr y family como Grupos.

Paso 5: Configurar covariables (características)

Los términos «covariable» y «característica» se utilizan a menudo como sinónimos en el aprendizaje automático, pero en la previsión de series temporales en Qlik Predict, el término «covariable» es de uso común y más descriptivo. En un modelo de series temporales multivariante, existen tres tipos de covariables: estáticas, pasadas y futuras.

Las covariables estáticas y pasadas se encuentran entre las Características que se incluyen en el entrenamiento del experimento, aparte de los grupos, el índice de fecha y las características futuras. Las covariables estáticas y pasadas son identificadas automáticamente por el sistema. No es necesario configurarlas más allá de incluirlas como características (y evitar configurarlas como características futuras).

Las covariables futuras, o características futuras, también se refieren a las Características que se incluyen en el entrenamiento. Las covariables futuras son características que tienen datos futuros que se conocen de antemano; en particular, se tiene acceso a los valores futuros de esta característica que abarcan el horizonte de previsión seleccionado. Para las características futuras, también es necesario conocer los valores de los datos para el rango de tiempo histórico en el que se entrena el modelo.

Además de incluir una característica futura en la lista de Características de entrenamiento, también debe configurarla como una característica futura en el panel de configuración de entrenamiento. En el momento de la predicción, el modelo esperará datos de características futuras que abarquen el horizonte de pronóstico para generar pronósticos precisos.

En los datos de entrenamiento, la característica onpromotion rastrea cuántos productos tienen descuento a tarifas promocionales para la fecha especificada. Esta es información que se conoce de antemano y hay datos futuros disponibles para ella, por lo que puede usarse como una característica futura.

Haga lo siguiente:

• Bajo el menú desplegable Grupos, expanda Características futuras y seleccione onpromotion.

Resumiendo:

• onpromotion se ha seleccionado como característica futura.

• Aparte del índice de fecha, no se seleccionaron otras covariables para el entrenamiento.