Utilisation de caractéristiques de date dans les prédictions
Lors de l'exécution de prédictions à partir d'un déploiement ML dont l'apprentissage a été effectué avec des caractéristiques de date auto-conçues, il existe des conditions quant à la manière de spécifier les dates et les heures dans les données à appliquer. Ces conditions et considérations sont légèrement différentes selon que vous exécutez des prédictions par lots, des prédictions en temps réel ou que vous utilisez le connecteur analytique Qlik Predict.
Ingénierie automatique des caractéristiques de date
L'ingénierie automatique des caractéristiques est une étape de préparation des données qui est effectuée dans une expérimentation ML pendant l'apprentissage de modèle. Avec ce processus, de nouvelles caractéristiques sont créées à partir du jeu de données d'apprentissage, puis utilisées pour effectuer l'apprentissage du modèle. Pour les colonnes de caractéristiques de date, ce processus est effectué automatiquement par défaut. Les utilisateurs peuvent désactiver l'ingénierie des caractéristiques de date. Cependant, dans la plupart des cas, il est recommandé d'utiliser cette fonctionnalité.
Pour plus d'informations, consultez Ingénierie des caractéristiques de date.
Conditions relatives aux prédictions par lots
Les caractéristiques de date auto-conçues sont générées lors de l'utilisation du jeu de données d'apprentissage pour créer un modèle, qui est déployé et utilisé comme déploiement ML pour effectuer des prédictions sur de nouvelles données (pour les prédictions par lots, il s'agit du jeu de données à appliquer).
Lorsqu'un modèle entraîné avec des caractéristiques de date auto-conçues est déployé pour effectuer des prédictions, le jeu de données à appliquer sur lequel vous générez des prédictions n'a pas besoin d'inclure les caractéristiques de date auto-conçues. Qlik Predict génère les caractéristiques auto-conçues pour le jeu de données à appliquer avant de procéder aux prédictions. Cependant, le jeu de données à appliquer doit inclure la caractéristique de date parente (à partir de laquelle les parties de date ont été dérivées) et la colonne que vous utilisez doit avoir le type de données Date, Datetime, Timestamp ou Time.
Les jeux de données de prédiction créés par un déploiement d'apprentissage automatique, y compris les jeux de données SHAP et d'application, incluront les caractéristiques de date auto-conçues.
Conditions relatives aux prédictions en temps réel et basées sur un connecteur
Lors de l'exécution de prédictions en temps réel et de prédictions à partir du connecteur analytique Qlik Predict, il existe des conditions relatives aux caractéristiques de date dans les données à appliquer que vous fournissez à Qlik Predict. Pour ces types de prédictions, les données à appliquer sont spécifiées dans une petite charge utile JSON plutôt que sous la forme d'un jeu de données à appliquer. Pour les prédictions en temps réel et basées sur un connecteur, vous envoyez la charge utile JSON au point de terminaison de prédiction en temps réel dans l'API Machine Learning.
Afin que le point de terminaison de prédiction en temps réel de l'API Apprentissage automatique puisse traiter vos champs de dates et d'horodatages, la charge utile JSON que vous envoyez au point de terminaison doit remplir les conditions ci-dessous :
-
Les valeurs date et datetime doivent être des chaînes formatées conformément aux normes ISO 8601. Exemples :
-
2020-01-14
-
2020-01-14T00:00:00.000Z
-
-
La date parente—la caractéristique à partir de laquelle les parties de date ont été dérivées—doit être incluse dans son intégralité. Par exemple, même si votre modèle n'utilise qu'une caractéristique Year, vous devez tout de même fournir la date au format conforme à la norme ISO 8601.
-
Les données de chaque colonne doivent provenir du même fuseau horaire.
Les conditions ci-dessus :
-
S'appliquent uniquement aux caractéristiques dont l'apprentissage a été effectué avec l'ingénierie des caractéristiques de date. Si le type de caractéristique est remplacé manuellement par le type de caractéristique catégorique, ces conditions ne s'appliquent pas. Si le type de caractéristique a été remplacé par le type catégorique, fournissez la colonne, au format de date dans lequel elle a été initialement utilisée pour l'apprentissage, dans les données à appliquer.
-
Cela ne s'applique pas aux modèles de série temporelle.
L'API de prédictions en temps réel est obsolète et remplacée par le point de terminaison de prédiction en temps réel de API Apprentissage automatique. La fonctionnalité elle-même n'est pas obsolète. Pour les prédictions en temps réel futures, utilisez le point de terminaison de prédiction en temps réel de API Apprentissage automatique. Pour obtenir de l'aide pour la migration de l'API de prédictions en temps réel vers API Apprentissage automatique, consultez le Guide de migration sur le portail des développeurs Qlik Cloud.