Tworzenie i konfigurowanie eksperymentu szeregów czasowych

Krok 4: Wybór grup

Treningowy zbiór danych w tym samouczku jest przeznaczony do prognozowania wielowymiarowego. W przypadku prognozowania wielowymiarowego celem jest prognozowanie wartości docelowych wraz z innymi wymiarami, które zmieniają się bezpośrednio wraz z celem. Na przykład w tym samouczku dane zawierają wskaźniki sprzedaży śledzone indywidualnie dla każdego sklepu i rodziny produktów. Prognozowanie wielowymiarowe pozwala połączyć każdy z tych wymiarów — które w przeciwnym razie mogłyby wymagać trenowania jako osobne modele — w jeden eksperyment, umożliwiając modelom lepsze poznanie wzorców i interakcji między różnymi kohortami danych.

Eksperymenty wielowymiarowe konfiguruje się, wybierając maksymalnie dwie kolumny z danych treningowych, które mają być używane jako grupy.

Celem tego samouczku jest wytrenowanie modeli do uczenia się i prognozowania sprzedaży wraz z numerem sklepu i rodziną produktów, dlatego wybierz te dwie kolumny jako grupy.

Wykonaj następujące czynności:

• Wybierz kolumny store_nbr and family jako Grupy.

Krok 5: Konfigurowanie współzmiennych (cech)

Terminy „współzmienna” i „cecha” są często używane synonimicznie w uczeniu maszynowym, ale w prognozowaniu szeregów czasowych w Qlik Predict termin „współzmienna” jest powszechnie używany i bardziej opisowy. W wielowymiarowym modelu szeregów czasowych wyróżnia się trzy typy współzmiennych: statyczne, przeszłe i przyszłe.

Współzmienne statyczne i przeszłe należą do Cech uwzględnianych w treningu eksperymentu, innych niż grupy, indeks daty i przyszłe cechy. Współzmienne statyczne i przeszłe są identyfikowane automatycznie przez system. Nie trzeba ich konfigurować poza uwzględnieniem ich jako cech (i unikaniem konfigurowania ich jako przyszłych cech).

Współzmienne przyszłe, czyli przyszłe cechy, również odnoszą się do Cech uwzględnianych w treningu. Przyszłe współzmienne to cechy, które mają przyszłe dane znane z góry — w szczególności masz dostęp do przyszłych wartości tej cechy obejmujących wybrany forecast horizon. W przypadku przyszłych cech musisz również znać wartości danych dla historycznego zakresu czasu, na którym trenowany jest model.

Oprócz uwzględnienia przyszłej cechy na liście treningowych Cech, należy ją również skonfigurować jako przyszłą cechę w panelu konfiguracji treningu. W momencie prognozowania model będzie oczekiwał danych przyszłych cech obejmujących horyzont prognozy w celu wygenerowania dokładnych prognoz.

W danych treningowych cecha onpromotion śledzi, ile produktów jest przecenionych po cenach promocyjnych dla określonej daty. Są to informacje znane z wyprzedzeniem i dostępne są dla nich przyszłe dane, więc można ich użyć jako przyszłej cechy.

Wykonaj następujące czynności:

• Poniżej listy rozwijanej Grupy rozwiń sekcję Przyszłe cechy i wybierz onpromotion.

Podsumowując:

• Kolumna onpromotion została wybrana jako przyszła cecha.

• Poza indeksem daty do treningu nie wybrano żadnych innych współzmiennych.