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 세트 준비 항목을 참조하십시오.
예측 메커니즘
시계열 모델 예측 프로세스는 분류 및 회귀 모델과 몇 가지 차이점이 있습니다.
분류 및 회귀 모델은 적용 데이터 세트에 존재하지 않거나 알 수 없는 전체 열에 대한 미래 값을 예측합니다. 예를 들어, 이탈 열의 미래 값을 예측하는 이진 분류 모델이 있다고 가정해 보겠습니다. 적용 데이터 세트에는 일반적으로 이탈 열이 포함되지 않으며, 존재하더라도 무시됩니다. 대신 이 열의 값은 모델에 의해 예측으로 생성됩니다.
반면 시계열 모델의 경우 예측은 열이 아닌 행으로 생성됩니다. 예측은 여전히 대상 열에 대해 생성되지만 특정 미래 시간 값에 해당하는 레코드입니다. 열 구조는 훈련 데이터 세트와 적용 데이터 세트 간에 변경되지 않습니다.
또한 분류 또는 회귀 모델의 적용 데이터 세트에는 예측을 생성하려는 대상 값이 포함되어서는 안 됩니다. 반면 시계열 모델의 적용 데이터 세트에는 모델의 적용 창에 해당하는 일부 과거 대상 및 기능 값이 포함되어야 합니다. 이러한 요구 사항은 적용 데이터 세트 준비에 자세히 지정되어 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 데이터 로드 편집기 응용 프로그램에서 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 응용 프로그램에서.
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.