Voorspellen met de tijdreeksimplementatie

Nadat u uw tijdreeksmodel hebt geïmplementeerd en goedgekeurd, kunt u tijdsspecifieke prognoses maken. In deze zelfstudie maken we een voorspellingsconfiguratie binnen de ML-implementatie en gebruiken deze om een batchvoorspelling uit te voeren.

Tot nu toe hebben we dagelijkse verkoopgegevens gebruikt om een machine-learning-model aan te maken. Het doel van dit proces is om met behulp van machine learning bepaalde patronen te herkennen zodat we die op de nieuwe gegevens kunnen toepassen.

Inzicht in voorspellingen met tijdreeksmodellen

Het is belangrijk om onderscheid te maken tussen hoe voorspellingen werken voor tijdreeksmodellen, aangezien dit verschilt van voorspellingen voor andere modeltypen. De stappen die u voltooit om uw apply-dataset voor te bereiden, verschillen van de stappen voor andere modeltypen.

Bij tijdreeksmodellen worden nieuwe voorspellingen toegevoegd als nieuwe rijen in plaats van als een afzonderlijke kolom.

Een apply-dataset aanmaken

Deze sectie beschrijft hoe u uw apply-dataset kunt aanmaken voor dit tijdreeks-probleem. Het eigenlijke proces van het compileren van de datasetrijen wordt niet getoond, maar de workflow wel.

Kolomstructuur

Uw apply-dataset moet hetzelfde schema bevatten als het tijdreeksmodel dat u hebt geïmplementeerd. Het schema is te vinden wanneer u de ML-implementatie opent.

In elk geval moet de apply-dataset dezelfde kolommen bevatten als het modelschema — met andere woorden, een kolom voor elk van de volgende:

• Datumindexatie

• Doel

• Groepen

• Kenmerken (covariaten)

Rijstructuur

Uw dataset moet records (rijen) bevatten als volgt:

• Kolommen en kolomkoppen voor alle kolommen die zijn opgenomen in de trainingsgegevensverzameling.

• Dezelfde tijdstap als de trainingsgegevensverzameling.

• Evenveel of meer historische gegevensrecords (per doel en groep) vóór de cut-off tijd van de prognose als het aantal records in het toepassingsvenster voor het model. Dit moeten volledige records zijn die de historisch waargenomen datum- of tijdstempel, doel- en covariaatwaarden bevatten. Het toepassingsvenster wordt bepaald door het prognosevenster en de kloof die zijn geconfigureerd tijdens de training — hoe verder in de toekomst u moet voorspellen, hoe meer historische gegevens u nodig hebt in uw toegepaste gegevensverzameling om voorspellingen uit te voeren.

• Records voor alle toekomstige tijdstappen in uw prognosehorizon. Voor deze toekomstige records, neemt u alleen de waarden op voor de datumindexkolom, evenals eventuele toekomstige functies. Laat de waarden voor de andere kolommen leeg.

Andere wijzigingen

Mogelijk moet u andere wijzigingen aanbrengen in de dataset, zodat deze overeenkomt met het modelschema. In het bijzonder worden gegroepeerde functies, wanneer ze tijdens de training als groepen worden geselecteerd, automatisch omgezet naar het categorische functietype, zodat ze als groepen kunnen worden gebruikt. Als uw toepassingsgegevens functies bevatten met numerieke gegevens die u als groepen gebruikt, moet u hun gegevenstype transformeren zodat het wordt geïdentificeerd als categorische gegevens. Een voorbeeld hiervan wordt getoond in De gegevensverzameling voorbereiden.

De gegevensverzameling voorbereiden

Deze zelfstudie biedt een toepassingsdataset die al is geconfigureerd met de vereiste kolommen en records. De geleverde toepassingsdataset bevat echter een numerieke kolom, store_nbr, die in het model als groep was geconfigureerd. Dus, u moet een script maken om deze kolom om te zetten naar tekenreeksgegevens.

Doe het volgende:

1. Ga naar de pagina Maken van het Analyse activiteitencentrum en selecteer Script.

2. Voer een naam in voor uw script, bijvoorbeeld Getransformeerde toepassingsgegevens.

3. Kies een ruimte voor uw script. Het moet dezelfde ruimte zijn waar u de oorspronkelijke toepassingsdataset hebt opgeslagen.

4. Klik op Maken.

5. In Script, schakelt u over naar Editor.

6. Onder Sections klikt u op om een nieuwe sectie toe te voegen.

7. Plak het load-script hieronder in de editor.

8. Klik op Gegevens exporteren.

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);

Nadat het script is uitgevoerd, moet een nieuwe toepassingsdataset, Final transformed apply dataset.qvd, zich in dezelfde ruimte bevinden als de oorspronkelijke toepassingsdataset.

Voorspellingen maken

Nu u een compatibele toepassingsdataset hebt, gebruikt u deze om voorspellingen te maken vanuit uw ML-implementatie.

Doe het volgende:

1. Open in de catalogus de implementatie Implementatie voor verkoopprognoses die u hebt gemaakt in Een tijdreeksmodel implementeren.

2. Klik rechtsonderaan op Voorspelling maken.

3. Vouw in het deelvenster Voorspellingsconfiguratie Gegevens toepassen uit en klik op Selecteer toe te passen gegevensverzameling.

4. Selecteer het bestand van de toe te passen gegevensverzameling: Final transformed apply dataset.qvd.

5. Vergelijk de schema's van de training en pas de gegevensverzamelingen toe. Er mogen geen schema-ongelijkheidsfouten zijn.

6. Klik in het deelvenster Voorspelling configureren op de optie Naam dataset voorspelling. Typ de volgende naam: ML - Sales predictions. Gebruik de standaard Parquet-indeling.

7. Selecteer een ruimte en klik op Bevestigen.

Klik op het pictogram naast Opslaan en sluiten. Selecteer Opslaan en nu voorspellen.

Het proces kan worden opgevolgd in Gegevensverzameling voorspellingen. U kunt de resultaten in de catalogus bekijken door de klikken op Openen in het pop-upvenster dat verschijnt.

Wanneer de voorspelling is voltooid, maakt u een app om uw voorspellingen te bekijken. Ga naar het volgende onderwerp.