Werken met datumfuncties in voorspellingen
Bij het uitvoeren van voorspellingen vanuit een ML-implementatie die is getraind met automatisch ontwikkelde datumfuncties, zijn er vereisten voor hoe u datums en tijden opgeeft in de toepassingsgegevens. Deze vereisten en overwegingen verschillen enigszins, afhankelijk van of u batchvoorspellingen, realtimevoorspellingen uitvoert of de Qlik Predict-analyseconnector gebruikt.
Automatische datumfunctieontwikkeling
Automatische functieontwikkeling is een gegevensvoorbereidingsstap die wordt uitgevoerd in een ML-experiment tijdens modeltraining. Met dit proces worden nieuwe functies gemaakt uit de trainingsdataset en vervolgens gebruikt om het model te trainen. Voor datumfunctiekolommen wordt dit proces standaard automatisch uitgevoerd. Gebruikers kunnen zich afmelden voor datumfunctie-engineering. In de meeste gevallen wordt het echter aanbevolen om deze mogelijkheid te gebruiken.
Ga voor meer informatie naar Ontwikkeling van datumkenmerken.
Vereisten voor batchvoorspellingen
Automatisch ontwikkelde datumfuncties worden gegenereerd bij het gebruik van de trainingsgegevensset om een model te maken, dat wordt geïmplementeerd en gebruikt als een ML-implementatie om voorspellingen te doen op nieuwe gegevens (voor batchvoorspellingen is dit de toepassingsgegevensset).
Wanneer een model dat is getraind op basis van automatisch ontwikkelde datumkenmerken, wordt geïmplementeerd voor het doen van voorspellingen, hoeft de toegepaste gegevensverzameling waarmee u voorspellingen genereert de automatisch ontwikkelde datumkenmerken niet te bevatten. Qlik Predict genereert de automatisch ontwikkelde functies voor de toepasselijke gegevensverzameling voorafgaand aan de voorspelling. Echter, de toepassingsgegevensset moet de bovenliggende datumfunctie bevatten (waaruit de datumdelen zijn afgeleid), en de kolom die u gebruikt, moet het gegevenstype Datum, Datum/tijd, Tijdstempel of Tijd hebben.
De gegevensverzamelingen voor voorspelling die zijn gemaakt door een ML-implementatie, waaronder SHAP en toegepaste gegevensverzamelingen, omvatten de automatisch ontwikkelde datumfuncties.
Vereisten voor realtime en connector-gebaseerde voorspellingen
Bij het uitvoeren van realtime voorspellingen en voorspellingen van de Qlik Predict analyseconnector, zijn er vereisten voor datumfuncties in de toepassingsgegevens die u aan Qlik Predict verstrekt. Voor dit soort voorspellingen worden de toepassingsgegevens gespecificeerd in een kleine JSON-payload in plaats van als een toepassingsgegevensset. Voor zowel real-time als connector-gebaseerde voorspellingen stuurt u de JSON-payload naar het real-time voorspellingseindpunt in de Machine Learning API.
Om het eindpunt voor realtime voorspellingen in de Machine Learning API in staat te stellen om uw datum- en tijdstempelvelden te verwerken, moet de JSON-nettolading die u naar het eindpunt stuurt aan de volgende vereisten voldoen:
-
Datum- en datum/tijd-waarden moeten tekenreeksen zijn die zijn opgemaakt overeenkomstig ISO 8601-standaarden. Voorbeelden:
-
2020-01-14
-
2020-01-14T00:00:00.000Z
-
-
De bovenliggende datum—de functie waaruit de datumdelen zijn afgeleid—moet volledig worden opgenomen. Bijvoorbeeld, uw model gebruikt misschien alleen een Jaar functie, maar u moet de datum nog steeds opgeven in ISO 8601-compatibel formaat.
-
Datums in iedere kolom moeten dezelfde tijdzone hebben.
De bovenstaande vereisten:
-
Alleen van toepassing op functies die zijn getraind met datumfunctie-engineering. Als het functietype handmatig wordt gewijzigd in het categorische functietype, zijn deze vereisten niet van toepassing. Als het functietype is gewijzigd in categorisch, geeft u de kolom, in het datumformaat waarin deze oorspronkelijk is gebruikt voor training, op in de toepassingsgegevens.
-
Niet van toepassing op tijdreeksmodellen.
De API voor realtime voorspellingen is afgeschaft en vervangen door het eindpunt voor realtime voorspellingen in de Machine Learning API. De functionaliteit zelf wordt niet afgeschaft. Gebruik voor toekomstige realtime voorspellingen het eindpunt voor realtime voorspellingen in de Machine Learning API. Voor hulp bij het migreren van de API voor realtime voorspellingen naar de Machine Learning API, raadpleeg de migratiehandleiding op de Qlik Cloud ontwikkelaarsportal.