Tworzenie i konfigurowanie eksperymentu szeregów czasowych

Krok 4: Wybierz grupy

Zestaw danych treningowych dla tego samouczka jest przeznaczony do prognozowania wielowymiarowego. W prognozowaniu wielowymiarowym celem jest przewidywanie 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 uczenia jako oddzielne modele — w jeden eksperyment, umożliwiając modelom uczenie się wzorców i interakcji między różnymi kohortami danych.

Eksperymenty wielowymiarowe konfiguruje się, wybierając maksymalnie dwie kolumny z danych treningowych do wykorzystania jako grupy.

Celem tego samouczka jest uczenie modeli w celu poznawania i przewidywania sprzedaży wraz z numerem sklepu i rodziną produktów, dlatego wybierz te dwie kolumny jako grupy.

Wykonaj następujące czynności:

• Wybierz store_nbr i family jako Grupy.

Krok 5: Skonfiguruj kowarianty (cechy)

Terminy „kowariant” i „cecha” są często używane zamiennie w uczeniu maszynowym, ale w prognozowaniu szeregów czasowych w Qlik Predict termin „kowariant” jest powszechnie używany i bardziej opisowy. W wielowymiarowym modelu szeregów czasowych istnieją trzy typy kowariantów: statyczne, przeszłe i przyszłe.

Kowarianty statyczne i przeszłe należą do cech, które uwzględniasz w uczeniu eksperymentu, poza grupami, indeksem daty i przyszłymi cechami. Kowarianty statyczne i przeszłe są automatycznie identyfikowane przez system. Nie musisz ich konfigurować poza uwzględnieniem ich jako cech (i unikaniem konfigurowania ich jako przyszłych cech).

Kowarianty przyszłe, czyli przyszłe cechy, odnoszą się również do cech, które uwzględniasz w szkoleniu. Przyszłe kowarianty to cechy mające przyszłe dane, które będziesz znać z wyprzedzeniem — w szczególności, masz dostęp do przyszłych wartości dla tej cechy obejmujących wybrany horyzont prognozy. W przypadku przyszłych cech musisz również znać wartości danych dla historycznego zakresu czasu, na którym model jest uczony.

Oprócz uwzględnienia przyszłej cechy na liście Cech do uczenia musisz ją również skonfigurować jako przyszłą cechę w panelu konfiguracji uczenia. W czasie przewidywania model będzie oczekiwał przyszłych danych cech obejmujących horyzont prognozy, aby wygenerować dokładne prognozy.

W danych do uczenia cecha onpromotion śledzi, ile produktów jest przecenionych po promocyjnych stawkach dla określonej daty. Są to informacje znane z wyprzedzeniem, dla których dostępne są przyszłe dane, więc mogą być użyte jako przyszła cecha.

Wykonaj następujące czynności:

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

Podsumowując:

• onpromotion została wybrana jako przyszła cecha.

• Poza indeksem daty nie wybrano żadnych innych kowariantów do uczenia.