Werken met voorspellingen voor tijdreeksmodellen
Nadat u een tijdreeksmodel hebt geïmplementeerd, kunt u het gebruiken om voorspellingen te maken met nieuwe gegevens. Om tijdreeksvoorspellingen te maken, bereidt u een toepassingsgegevensverzameling voor die de vereiste gegevens en structuur bevat. Ga voor meer informatie naar Gegevensset toepassen voorbereiden.
Voorspellingsmechanisme
Het proces voor tijdreeksmodelvoorspellingen heeft enkele verschillen met classificatie- en regressiemodellen.
Classificatie- en regressiemodellen voorspellen toekomstige waarden voor een hele kolom die niet bestaat of onbekend is in de apply-dataset. Stel bijvoorbeeld dat u een binair classificatiemodel hebt dat toekomstige waarden van een Opgezegd-kolom voorspelt. De apply-dataset zal doorgaans geen Opgezegd-kolom bevatten, en als deze wel aanwezig is, wordt deze genegeerd – in plaats daarvan worden de waarden voor deze kolom door het model gegenereerd als voorspellingen.
Aan de andere kant, bij een tijdreeksmodel worden voorspellingen gemaakt als rijen in plaats van kolommen. De voorspellingen worden nog steeds gegenereerd voor een doelkolom, maar het zijn records die overeenkomen met specifieke toekomstige tijdwaarden. De structuur van de kolommen verandert niet tussen de trainings- en toe te passen gegevensverzamelingen.
Ook mag een toegepaste gegevensverzameling voor een classificatie- of regressiemodel geen doelwaarde bevatten waarvoor u voorspellingen wilt genereren. Aan de andere kant moet de toegepaste gegevensverzameling voor een tijdreeksmodel enkele historische doel- en functiewaarden bevatten die overeenkomen met het toepassingsvenster voor het model. Deze vereisten worden verder gespecificeerd in Werken met voorspellingen voor tijdreeksmodellen.
Beschikbare tools voor het maken van een toepassingsgegevensverzameling
De volgende tools zijn beschikbaar in Qlik Cloud om u te helpen uw gegevensverzamelingen te bouwen en dynamisch te genereren:
-
Qlik-scripts, beschikbaar in de Editor voor laden van gegevens in apps, evenals de zelfstandige scripteditor die toegankelijk is vanuit het Analyse-activiteitencentrum.
-
Tabelrecept, beschikbaar als een zelfstandige tool vanuit het Analyse-activiteitencentrum. Tabelrecept is ontworpen voor het maken van gegevensverzamelingen met één tabel, zoals die gebruikt worden in machine learning.
-
Gegevensstroom, beschikbaar als een zelfstandige tool vanuit het Analyse-activiteitencentrum.
-
Gegevensbeheer in analyse-apps
Veelvoorkomende bewerkingen
Kenmerktypen wijzigen
Het is mogelijk dat wanneer u uw toegepaste gegevensverzameling voorbereidt, u kolommen moet transformeren om hun functietypen te wijzigen.
Het meest voorkomende voorbeeld is als u een numerieke kolom hebt die u als een groep in uw model hebt geconfigureerd. Wanneer u een functie als een groep binnen uw experiment selecteert, wordt het functietype automatisch gewijzigd naar categorisch, indien dit nog niet het geval is, zodat het als een groep kan worden behandeld. Wanneer u uw toegepaste gegevensverzameling voor voorspellingen toevoegt, bevatten de kolomgegevens waarschijnlijk nog steeds numerieke functiegegevens, dus u moet de kolom wijzigen naar tekenreeksgegevens zodat deze wordt geïdentificeerd als een categorische functie. Deze transformatie kan eenvoudig worden uitgevoerd met behulp van Qlik-scripts — met behulp van de text()-functie — of met andere Qlik-tools voor gegevensvoorbereiding zoals tabelrecept en gegevensstroom.
Voor een voorbeeld met behulp van Qlik-scripts, gaat u naar De gegevensverzameling voorbereiden.
Beperkingen
-
Gegevensdriftmonitoring is niet beschikbaar voor tijdreeksmodellen.
-
SHAP-gegevensverzamelingen kunnen niet worden gegenereerd tijdens voorspellingen met tijdreeksmodellen.
-
De Qlik Predict analyseconnector ondersteunt geen tijdreeksmodellen.
Voor beperkingen met betrekking tot tijdreeksexperimenten, raadpleegt u Beperkingen en overwegingen.