Przewidywanie za pomocą wdrożenia szeregów czasowych

Po wdrożeniu i zatwierdzeniu modelu szeregów czasowych możesz tworzyć prognozy dla określonych przedziałów czasowych. W tym samouczku utworzymy konfigurację predykcji w ramach wdrożenia uczenia maszynowego i użyjemy jej do uruchomienia predykcji zbiorczej.

Do tej pory wykorzystywaliśmy dzienne dane sprzedaży do tworzenia modelu uczenia maszynowego. Celem tego procesu było rozpoznanie wzorców poprzez uczenie maszynowe w celu zastosowania ich do nowych danych.

Zrozumienie prognoz za pomocą modeli szeregów czasowych

Ważne jest, aby rozróżnić, jak działają prognozy dla modeli szeregów czasowych, ponieważ różni się to od prognoz dla innych typów modeli. Kroki, które wykonujesz, aby przygotować swój zestaw danych aplikacyjnych, różnią się od kroków dla innych typów modeli.

W przypadku modeli szeregów czasowych nowe prognozy są dodawane jako nowe wiersze, a nie jako oddzielna kolumna.

Tworzenie zestawu danych aplikacyjnych

Ta sekcja przedstawia, jak można utworzyć zestaw danych aplikacyjnych dla tego problemu szeregów czasowych. Rzeczywisty proces kompilowania wierszy zestawu danych nie jest pokazany, ale przepływ pracy jest.

Struktura kolumn.

Twój zbiór danych do zastosowania musi zawierać ten sam schemat co model szeregów czasowych, który wdrożyłeś. Schemat można znaleźć po otwarciu wdrożenia ML.

W każdym przypadku zbiór danych do zastosowania powinien zawierać te same kolumny co schemat modelu — innymi słowy, kolumnę dla każdego z poniższych:

• Indeks daty

• Cel

• Grupy

• Cechy (kowariaty)

Struktura wiersza

Twój zbiór danych musi zawierać rekordy (wiersze) w następujący sposób:

• Kolumny i nagłówki kolumn dla wszystkich kolumn zawartych w zestawie danych do nauki.

• Ten sam krok czasowy co w zestawie danych szkoleniowych.

• Tyle samo lub więcej historycznych rekordów danych (na cel i grupę) sprzed czasu odcięcia prognozy, ile wynosi liczba rekordów w oknie stosowania dla modelu. Muszą to być pełne rekordy zawierające historycznie zaobserwowaną datę lub znacznik czasu, cel oraz wartości kowariantów. Okno stosowania jest określane przez okno prognozy i lukę skonfigurowane podczas uczenia — im dalej w przyszłość musisz przewidywać, tym więcej danych historycznych potrzebujesz w swoim zestawie danych do zastosowania, aby uruchomić prognozy.

• Rekordy dla wszystkich przyszłych kroków czasowych w horyzoncie prognozy. W przypadku tych przyszłych rekordów należy uwzględnić tylko wartości dla kolumny indeksu daty, a także wszelkie przyszłe cechy. Wartości dla pozostałych kolumn pozostaw puste.

Inne modyfikacje

Może być konieczne wprowadzenie innych modyfikacji w zbiorze danych, aby odpowiadał schematowi modelu. W szczególności, pogrupowane cechy, po wybraniu jako grupy podczas trenowania, są automatycznie przekształcane na kategoryczny typ cechy, tak aby mogły być używane jako grupy. W danych aplikacji, jeśli masz cechy zawierające dane numeryczne, których używasz jako grup, będziesz musiał przekształcić ich typ danych, tak aby były identyfikowane jako dane kategoryczne. Przykład tego pokazano w Przygotowanie zestawu danych.

Przygotowanie zestawu danych

Ten samouczek zawiera zestaw danych aplikacji, który został już skonfigurowany z wymaganymi kolumnami i rekordami. Jednakże, dostarczony zestaw danych aplikacji zawiera kolumnę numeryczną, store_nbr, która została skonfigurowana jako grupa w modelu. Musisz więc utworzyć skrypt, aby przekształcić tę kolumnę na dane ciągu znaków.

Wykonaj następujące czynności:

1. Przejdź do strony Utwórz w centrum aktywności Analytics i wybierz Scrypt.

2. Wprowadź nazwę dla swojego skryptu, na przykład Transformed apply data.

3. Wybierz przestrzeń dla swojego skryptu. Musi to być ta sama przestrzeń, w której przechowywano oryginalny zestaw danych aplikacji.

4. Kliknij Utwórz.

5. W Skrypt, przejdź do Edytora.

6. W obszarze Sekcje kliknij , aby dodać nową sekcję.

7. Wklej poniższy skrypt ładowania do edytora.

8. Kliknij Eksportuj dane.

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);

Po uruchomieniu skryptu nowy zestaw danych do zastosowania, Final transformed apply dataset.qvd, powinien znajdować się w tej samej przestrzeni co oryginalny zestaw danych do zastosowania.

Tworzenie predykcji

Teraz, gdy masz zgodny zestaw danych do zastosowania, użyj go do tworzenia predykcji z Twojego wdrożenia ML.

Wykonaj następujące czynności:

1. W katalogu otwórz wdrożenie Wdrożenie prognozowania sprzedaży, które utworzyłeś w Wdrażanie modelu szeregów czasowych.

2. W prawym dolnym rogu kliknij Utwórz predykcję.

3. W panelu Konfiguracja predykcji po prawej stronie, w obszarze Dane do zastosowania kliknij opcję Wybierz zestaw danych do zastosowania.

4. Wybierz plik zestawu danych do zastosowania: Final transformed apply dataset.qvd.

5. Porównaj schematy zestawów danych do uczenia się i do zastosowania. Nie powinno być żadnych błędów niezgodności schematu.

6. W oknie Konfiguracja predykcji kliknij Nazwij zestaw danych predykcyjnych. Wpisz następującą nazwę: ML - Sales predictions. Użyj domyślnego formatu Parquet.

7. Wybierz przestrzeń i kliknij Potwierdź.

Kliknij ikonę obok pozycji Zapisz i zamknij. Wybierz Zapisz i przewiduj teraz.

Proces można monitorować w panelu Predykcje zestawu danych. Dane wyjściowe można przejrzeć w katalogu po kliknięciu Otwórz w wyskakującym okienku.

Po zakończeniu działania predykcji, utwórz aplikację, aby wyświetlić swoje predykcje. Przejdź do następnego tematu.