時系列実験の作成と構成

ステップ 4: グループの選択

このチュートリアルのトレーニング データセットは、多変量予測用に設計されています。多変量予測の目的は、ターゲットと連動して変動する他の軸と併せて、ターゲット値を予測することです。たとえば、このチュートリアルでは、店舗と製品ファミリーごとに個別に追跡された売上メトリクスがデータに含まれています。多変量予測では、これらの軸をそれぞれ別々のモデルとしてトレーニングする必要があるかもしれませんが、1 つの実験に統合できるため、モデルは異なるデータのコホート間のパターンや相互作用をより深く学習できます。

多変量実験を構成するには、トレーニング データからグループとして使用する列を最大 2 つ選択します。

このチュートリアルの目的は、店舗番号と製品ファミリーと連動して売上を学習および予測するようにモデルをトレーニングすることです。

次の手順を実行します。

• store_nbr と family を [グループ] として選択します。

ステップ 5: 共変量 (特徴量) の構成

「共変量」と「特徴量」という用語は、機械学習ではしばしば同義語として使用されますが、Qlik Predict の時系列予測では「共変量」という用語の方が一般的で、より説明的です。多変量時系列モデルには、静的、過去、将来の 3 種類の共変量があります。

静的および過去の共変量は、グループ、日付インデックス、将来の特徴量以外に、実験のトレーニングに含める特徴量に含まれます。静的および過去の共変量は、システムによって自動的に識別されます。これらを特徴量として含める (および将来の特徴量として構成しないようにする) 以外に、構成は必要ありません。

将来の共変量 (将来の特徴量) とは、トレーニングに含める特徴量のことです。将来の共変量とは、あらかじめ将来のデータがわかっている特徴量のことを指します。 特に、選択した予測期間にわたって、この特徴量の将来値にアクセスできる場合を指します。将来の特徴量については、モデルのトレーニングに使用した過去の期間のデータ値も把握しておく必要があります。

トレーニング特徴量のリストに将来の特徴量を含めるだけでなく、トレーニング構成パネルでも将来の特徴量として構成する必要があります。予測時に、モデルは正確な予測を生成するために、予測期間全体にわたる将来の特徴量データを必要とします。

トレーニング データでは、onpromotion 特徴量は指定された日付にプロモーション価格に割引される商品の数を追跡します。これは事前にわかっている情報であり、将来のデータも使用できるため、将来の特徴量として使用できます。

次の手順を実行します。

• [グループ] ドロップ ダウンにある [将来の特徴量] を展開し、onpromotion を選択します。

概要:

• onpromotion は将来の特徴量として選択されました。

• 日付インデックス以外に、トレーニング用の共変量は選択されていません。