Praca z cechami dat w predykcjach
Podczas uruchamiania predykcji z wdrożenia ML wytrenowanego z automatycznie zaprojektowanymi cechami daty, istnieją wymagania dotyczące sposobu określania dat i godzin w danych do zastosowania. Te wymagania i uwagi różnią się nieco w zależności od tego, czy uruchamiasz predykcje wsadowe, predykcje w czasie rzeczywistym, czy używasz łącznika analitycznego Qlik Predict.
Automatyczna inżynieria cech daty
Automatyczna inżynieria cech to etap przygotowania danych, który jest wykonywany w eksperymencie ML podczas trenowania modelu. Dzięki temu procesowi nowe cechy są tworzone na podstawie zestawu danych treningowych, a następnie wykorzystywane do trenowania modelu. W przypadku kolumn cech daty proces ten jest domyślnie wykonywany automatycznie. Użytkownicy mogą zrezygnować z inżynierii cech daty. Jednak w większości przypadków zaleca się korzystanie z tej funkcji.
Więcej informacji zawiera temat Inżynieria cechy daty.
Wymagania dotyczące przewidywań wsadowych
Cechy typu data uzyskane w wyniku inżynierii automatycznej są generowane podczas korzystania z zestawu danych do uczenia w celu utworzenia modelu, który jest wdrażany i używany jako wdrożenie uczenia maszynowego w celu przewidywania nowych danych (w przypadku predykcji wsadowych jest to zestaw danych do zastosowania).
Jeśli do tworzenia predykcji zostanie wdrożony model uczony przy użyciu cech typu data uzyskanych w wyniku inżynierii automatycznej, zestaw danych do zastosowania, na podstawie którego generowane są prognozy, nie musi zawierać cech typu data uzyskanych w wyniku inżynierii automatycznej. Qlik Predict generuje cechy uzyskiwane w wyniku inżynierii automatycznej dla zestawu danych do zastosowania przed tworzeniem predykcji. Zestaw danych do zastosowania musi jednak zawierać nadrzędną cechę daty (z której pochodziły części daty), a używana kolumna musi mieć typ danych Data, Data i godzina, Znacznik czasu lub Czas.
Zestawy danych predykcyjnych utworzone przez wdrożenie uczenia maszynowego, w tym zestawy danych SHAP i danych do zastosowania, będą zawierać poddane automatycznej inżynierii cechy daty.
Wymagania dotyczące predykcji w czasie rzeczywistym i predykcji opartych na łącznikach
Podczas uruchamiania predykcji w czasie rzeczywistym i predykcji z łącznika analitycznego Qlik Predict istnieją wymagania dotyczące cech daty w danych do zastosowania, które dostarczasz do Qlik Predict. W przypadku tych typów predykcji dane do zastosowania są określane w małym ładunku JSON, zamiast jako zestaw danych do zastosowania. W przypadku prognoz w czasie rzeczywistym i prognoz opartych na łącznikach wysyłasz ładunek JSON do punktu końcowego prognozowania w czasie rzeczywistym w interfejsie API uczenia maszynowego.
Aby punkt końcowy predykcji w czasie rzeczywistym interfejsu Machine Learning API mógł przetwarzać pola daty i znaczników czasu, ładunek JSON wysyłany do tego punktu końcowego musi spełniać poniższe wymagania:
-
Wartości daty oraz daty i godziny muszą być ciągami znaków sformatowanymi zgodnie ze standardami ISO 8601. Przykłady:
-
2020-01-14
-
2020-01-14T00:00:00.000Z
-
-
Data nadrzędna—cecha, z której pochodziły części daty—musi być uwzględniona w całości. Na przykład, Twój model może używać tylko cechy Year, ale nadal musisz podać datę w formacie zgodnym z ISO 8601.
-
Dane w każdej kolumnie muszą pochodzić z tej samej strefy czasowej.
Powyższe wymagania:
-
Dotyczy tylko cech przeszkolonych z inżynierią cech daty. Jeśli typ cechy zostanie ręcznie zmieniony na kategoryczny typ cechy, wymagania te nie mają zastosowania. Jeśli typ cechy został zmieniony na kategoryczny, podaj kolumnę w formacie daty, w którym była pierwotnie używana do szkolenia, w danych do zastosowania.
-
Nie mają zastosowania do modeli szeregów czasowych.
API predykcji w czasie rzeczywistym jest przestarzałe i zostało zastąpione przez punkt końcowy predykcji w czasie rzeczywistym w API uczenia maszynowego. Sama funkcjonalność nie została wycofana. Do predykcji w czasie rzeczywistym należy używać w przyszłości punktu końcowego predykcji w czasie rzeczywistym w API uczenia maszynowego. Aby uzyskać pomoc w migracji z API prognoz w czasie rzeczywistym do API uczenia maszynowego, zapoznaj się z przewodnikiem po migracji na portalu dla deweloperów Qlik Cloud.