시계열 모델에 대한 예측 작업
시계열 모델을 배포한 후에는 이를 사용하여 새로운 데이터에 대한 예측을 만들 수 있습니다. 시계열 예측을 만들려면 필요한 데이터와 구조가 포함된 적용 데이터 집합을 준비합니다. 자세한 내용은 적용 데이터 집합 준비 항목을 참조하십시오.
예측 메커니즘
시계열 모델 예측 프로세스는 분류 및 회귀 모델과 몇 가지 차이점이 있습니다.
분류 및 회귀 모델은 적용 데이터 집합에 존재하지 않거나 알려지지 않은 전체 열에 대한 미래 값을 예측합니다. 예를 들어, 이탈 열의 미래 값을 예측하는 이진 분류 모델이 있다고 가정해 보겠습니다. 적용 데이터 집합에는 일반적으로 이탈 열이 포함되지 않으며, 이 열이 있어도 무시됩니다. 대신 이 열의 값은 모델에서 예측으로 생성됩니다.
반면, 시계열 모델에서는 예측이 열이 아닌 행으로 만들어집니다. 예측은 여전히 대상 열에 대해 생성되지만 특정 미래 시간 값에 해당하는 레코드입니다. 열의 구조는 교육 데이터 집합과 적용 데이터 집합 사이에서 변경되지 않습니다.
또한 분류 또는 회귀 모델에 대한 적용 데이터 집합에는 예측을 생성하려는 대상 값이 포함되어서는 안 됩니다. 반면, 시계열 모델에 대한 적용 데이터 집합에는 모델의 적용 창에 해당하는 일부 기록 대상 및 기능 값이 포함되어야 합니다. 이러한 요구 사항은 시계열 모델에 대한 예측 작업에 자세히 명시되어 있습니다.
적용 데이터 집합 만들기를 위한 사용할 수 있는 도구
데이터 세트를 구축하고 동적으로 생성하는 데 도움이 되도록 Qlik Cloud에서 다음 도구를 사용할 수 있습니다:
-
Qlik 스크립팅은 앱의 데이터 로드 편집기에서 사용할 수 있으며, 분석 활동 센터에서 액세스할 수 있는 독립 실행형 스크립트 편집기도 있습니다.
-
테이블 레시피는 분석 활동 센터에서 독립 실행형 도구로 사용할 수 있습니다. 테이블 레시피는 머신러닝에 사용되는 것과 같은 단일 테이블 데이터 세트를 생성하도록 설계되었습니다.
-
데이터 흐름은 분석 활동 센터에서 독립 실행형 도구로 사용할 수 있습니다.
-
데이터 관리자 분석 앱에서.
일반적으로 필요한 작업
기능 유형 변경
적용 데이터 집합을 준비할 때 열을 변환하여 해당 기능 유형을 수정해야 할 수도 있습니다.
가장 일반적인 예는 모델에서 그룹으로 구성한 숫자 열이 있는 경우입니다. 실험 내에서 기능을 그룹으로 선택하면 해당 기능 유형이 자동으로 범주형으로 변경되어(아직 범주형이 아닌 경우) 그룹으로 처리할 수 있습니다. 예측을 위해 적용 데이터 집합을 추가할 때 열 데이터에는 여전히 숫자 기능 데이터가 포함되어 있을 가능성이 높으므로 열을 문자열 데이터로 변경하여 범주형 기능으로 식별해야 합니다. 이 변환은 Qlik 스크립팅(text() 함수 사용)이나 테이블 레시피 및 데이터 흐름과 같은 다른 Qlik 데이터 준비 도구를 사용하여 쉽게 수행할 수 있습니다.
Qlik 스크립팅을 사용하는 예는 데이터 집합 준비를 참조하십시오.
제한 사항
-
시계열 모델에는 데이터 드리프트 모니터링을 사용할 수 없습니다.
-
SHAP 데이터세트는 시계열 모델을 사용한 예측 중에는 생성할 수 없습니다.
-
Qlik 프로젝트 분석 커넥터는 시계열 모델을 지원하지 않습니다.
시계열 실험과 관련된 제한 사항은 제한 사항 및 고려 사항을 참조하십시오.