시계열 배포로 예측

시계열 모델을 배포하고 승인한 후 시간별 예측을 생성할 수 있습니다. 이 자습서에서는 ML 배포 내에서 예측 구성을 만들고 이를 사용하여 배치 예측을 실행합니다.

지금까지 일일 판매 데이터를 사용하여 기계 학습 모델을 만들었습니다. 이 프로세스의 목표는 기계 학습을 통해 패턴을 인식하고 이를 새로운 데이터에 적용하는 것이었습니다.

시계열 모델로 예측 이해

시계열 모델의 예측 작동 방식은 다른 모델 유형의 예측과 다르므로 이를 구분하는 것이 중요합니다. 적용 데이터 집합을 준비하기 위해 완료하는 단계는 다른 모델 유형의 단계와 다릅니다.

시계열 모델에서는 새 예측이 별도의 열로 추가되는 대신 새 행으로 추가됩니다.

적용 데이터 집합 만들기

이 섹션에서는 이 시계열 문제에 대한 적용 데이터 집합을 만드는 방법을 설명합니다. 데이터 집합 행을 컴파일하는 실제 프로세스는 표시되지 않지만 워크플로는 표시됩니다.

열 구조

적용 데이터세트는 배포한 시계열 모델과 동일한 스키마를 포함해야 합니다. ML 배포를 열 때 스키마를 찾을 수 있습니다.

어떤 경우든 적용 데이터세트는 모델 스키마와 동일한 열을 포함해야 합니다. 즉, 다음 각 항목에 대한 열을 포함해야 합니다.

• 날짜 인덱스

• 대상

• 그룹

• 특성 (공변량)

행 구조

데이터세트에는 다음과 같이 레코드(행)가 포함되어야 합니다.

• 학습 데이터세트에 포함된 모든 열의 열 및 열 헤더.

• 학습 데이터세트와 동일한 시간 단계.

• 모델의 적용 창에 있는 레코드 수만큼 또는 그 이상의 과거 데이터 레코드(대상 및 그룹별)가 예측 마감 시간 이전에 있어야 합니다. 이것들은 과거에 관측된 날짜 또는 시간 스탬프, 대상, 그리고 공변량 값을 포함하는 전체 레코드여야 합니다. 적용 창은 학습 중에 구성된 예측 창 및 간격에 의해 결정됩니다. — 미래를 예측해야 하는 기간이 길수록 예측을 실행하기 위해 적용 데이터세트에 더 많은 과거 데이터가 필요합니다.

• 예측 범위 내의 모든 미래 시간 단계에 대한 기록입니다. 이러한 미래 기록의 경우, 날짜 인덱스 열의 값과 모든 미래 기능만 포함하십시오. 다른 열의 값은 비워 두십시오.

기타 수정 사항

모델 스키마와 일치하도록 데이터세트에 기타 수정 사항을 적용해야 할 수도 있습니다. 특히, 그룹화된 기능은 훈련 중에 그룹으로 선택되면 그룹으로 사용될 수 있도록 자동으로 범주형 기능 유형으로 변환됩니다. 적용 데이터에 그룹으로 사용하는 숫자 데이터를 포함하는 기능이 있는 경우, 해당 데이터 유형을 범주형 데이터로 식별되도록 변환해야 합니다. 이 예는 데이터 집합 준비에 나와 있습니다.

데이터 집합 준비

이 자습서는 필요한 열과 레코드로 이미 구성된 적용 데이터 세트를 제공합니다. 그러나 제공된 적용 데이터 세트에는 모델에서 그룹으로 구성된 숫자 열 store_nbr이 포함되어 있습니다. 따라서 이 열을 문자열 데이터로 변환하는 스크립트를 생성해야 합니다.

다음과 같이 하십시오.

1. 분석 활동 센터의 만들기 페이지로 이동하여 스크립트를 선택합니다.

2. 스크립트의 이름을 입력합니다. 예를 들어, 변환된 적용 데이터입니다.

3. 스크립트를 위한 공간을 선택합니다. 원래 적용 데이터 세트를 저장한 공간과 동일한 공간이어야 합니다.

4. 만들기를 클릭합니다.

5. 스크립트에서 편집기로 전환합니다.

6. 섹션 아래에서 을 클릭하여 새 섹션을 추가합니다.

7. 아래 로드 스크립트를 편집기에 붙여넣습니다.

8. 데이터 내보내기를 클릭합니다.

ApplyDataset_Transformed:

LOAD
    id,
    "date",
    text(store_nbr) as store_nbr,
    family,
    sales,
    onpromotion
FROM [lib://:DataFiles/ML - Multivariate forecasting - apply.csv]
(txt, codepage is 28591, embedded labels, delimiter is ',', msq);

Store [ApplyDataset_Transformed] into [lib://:DataFiles/Final transformed apply dataset.qvd](QVD);

스크립트가 실행되면 새 적용 데이터 집합 Final transformed apply dataset.qvd이(가) 원래 적용 데이터 집합과 동일한 공간에 있어야 합니다.

예측 만들기

이제 호환되는 적용 데이터 집합이 있으므로 이를 사용하여 ML 배포에서 예측을 만듭니다.

다음과 같이 하십시오.

1. 카탈로그에서 시계열 모델 배포에서 생성한 판매 예측 배포 배포를 엽니다.

2. 오른쪽 아래 모서리에서 예측 만들기를 클릭합니다.

3. 오른쪽에 있는 예측 구성 창에서 데이터 적용 아래에 있는 적용 데이터 집합 선택을 클릭합니다.

4. 데이터 집합 적용 파일을 선택합니다: Final transformed apply dataset.qvd.

5. 교육의 스키마를 비교하고 데이터 집합을 적용합니다. 스키마 불일치 오류가 없어야 합니다.

6. 예측 구성 창에서 예측 데이터 집합 이름 지정을 클릭합니다. 다음 이름을 입력합니다. ML - Sales predictions. 기본 Parquet 포맷을 사용합니다.

7. 공간을 선택하고 확인을 클릭합니다.

저장 및 닫기 옆에 있는 아이콘을 클릭합니다. 지금 저장 및 예측을 선택합니다.

프로세스는 데이터 집합 예측에서 모니터링할 수 있습니다. 팝업이 나타나면 열기를 클릭하여 카탈로그에서 출력을 검토할 수 있습니다.

예측 실행이 완료되면 예측을 볼 수 있는 앱을 생성합니다. 다음 항목으로 이동합니다.