Werken met voorspellingen voor tijdreeksmodellen
Na het implementeren van een tijdreeksmodel kunt u het gebruiken om voorspellingen te maken op basis van nieuwe gegevens. Om tijdreeksvoorspellingen te maken, bereidt u een toepassingsgegevensset voor die de vereiste gegevens en structuur bevat. Zie Een toepassingsgegevensset voorbereiden voor alle details.
Voorspellingsmechanisme
Het proces voor voorspellingen van tijdreeksmodellen verschilt enigszins van classificatie- en regressiemodellen.
Classificatie- en regressiemodellen voorspellen toekomstige waarden voor een hele kolom die niet bestaat of onbekend is in de toepassingsgegevensset. Stel bijvoorbeeld dat u een binair classificatiemodel hebt dat toekomstige waarden van een kolom Opgezegd voorspelt. De toepassingsgegevensset bevat doorgaans geen kolom Opgezegd, 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 worden bij een tijdreeksmodel 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 tijdswaarden. De structuur van de kolommen verandert niet tussen de trainings- en toepassingsgegevenssets.
Bovendien mag een toepassingsgegevensset voor een classificatie- of regressiemodel geen doelwaarde bevatten waarvoor u voorspellingen wilt genereren. Aan de andere kant moet de toepassingsgegevensset voor een tijdreeksmodel enkele historische doel- en functiewaarden bevatten, die overeenkomen met het toepassingsvenster voor het model. Deze vereisten worden verder gespecificeerd in Een toepassingsgegevensset voorbereiden.
Beschikbare tools voor het maken van een toepassingsgegevensset
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 applicaties, 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-applicaties.
Veelgebruikte bewerkingen
Functietypen wijzigen
Het is mogelijk dat u bij het voorbereiden van uw toepassingsgegevensset 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 in categorisch als dat nog niet het geval is, zodat het als een groep kan worden behandeld. Wanneer u uw toepassingsgegevensset voor voorspellingen toevoegt, bevatten de kolomgegevens waarschijnlijk nog steeds numerieke functiegegevens, dus u moet de kolom wijzigen in tekenreeksgegevens zodat deze wordt geïdentificeerd als een categorische functie. Deze transformatie kan eenvoudig worden uitgevoerd met behulp van Qlik-scripting — met behulp van de functie text() — of met andere Qlik-tools voor gegevensvoorbereiding, zoals tabelrecept en gegevensstroom.
Zie De gegevensverzameling voorbereiden voor een voorbeeld met Qlik-scripting.
Model opnieuw trainen
Als u voorspellingen moet maken voor nieuwe groepswaarden (die niet aanwezig waren in de trainingsgegevens), moet u een nieuw model trainen met trainingsgegevens die deze nieuwe groepswaarden bevatten. Zie Een toepassingsgegevensset voorbereiden voor meer informatie.
Ontbrekende groepswaarden op het moment van voorspellen
Bij het voorspellen met een geïmplementeerd tijdreeksmodel worden ontbrekende groepswaarden anders behandeld, afhankelijk van of deze waarden voor primaire of secundaire groepen zijn. Zie Een toepassingsgegevensset voorbereiden voor meer informatie en tijdelijke oplossingen.
Beperkingen
-
Gegevensdriftmonitoring is niet beschikbaar voor tijdreeksmodellen.
-
SHAP-gegevensverzamelingen kunnen niet worden gegenereerd tijdens voorspellingen met tijdreeksmodellen.
-
De Qlik Predict analyseconnector ondersteunt geen tijdreeksmodellen.
Zie Beperkingen en overwegingen voor beperkingen met betrekking tot tijdreeksexperimenten.