Trabalhando com recursos de data em previsões
Ao executar previsões a partir de uma implementação de ML treinada com recursos de data projetados automaticamente, há requisitos para como você especifica datas e horas nos dados de aplicação. Esses requisitos e considerações são ligeiramente diferentes dependendo se você está executando previsões em lote, previsões em tempo real ou usando o conector de análise do Qlik Predict.
Engenharia automática de recursos de data
A engenharia automática de recursos é uma etapa de preparação de dados que é realizada em um experimento de ML durante o treinamento do modelo. Com esse processo, novos recursos são criados a partir do conjunto de dados de treinamento e, em seguida, usados para treinar o modelo. Para colunas de recurso de data, esse processo é executado automaticamente por padrão. Os usuários podem desativar a engenharia de recurso de data. No entanto, na maioria dos casos, é recomendável usar essa capacidade.
Para obter mais informações, consulte Engenharia de recursos de data.
Requisitos para previsões em lote
Os recursos de data com engenharia automática são gerados ao usar o conjunto de dados de treinamento para criar um modelo, que é implementado e usado como uma implementação de ML para fazer previsões sobre novos dados (para previsões em lote, esse é o conjunto de dados de aplicação).
Quando um modelo treinado com recursos de data de engenharia automática é implementado para fazer previsões, o conjunto de dados de aplicação no qual você está gerando previsões não precisa incluir os recursos de data de engenharia automática. O Qlik Predict gera os recursos de engenharia automática para o conjunto de dados de aplicação antes da previsão. No entanto, o conjunto de dados de aplicação deve incluir o recurso de data principal (do qual as partes da data foram derivadas), e a coluna que você está usando deve ter o tipo de dados Data, Data e hora, Carimbo de data/hora ou Hora.
Os conjuntos de dados de previsão criados por uma implementação de ML, incluindo conjuntos de dados SHAP e de aplicação, incluirão os recursos de data de engenharia automática.
Requisitos para previsões em tempo real e baseadas em conector
Ao executar previsões em tempo real e previsões do conector de análise do Qlik Predict, há requisitos para recursos de data nos dados de aplicação que você fornece ao Qlik Predict. Para esses tipos de previsões, os dados de aplicação são especificados em uma pequena carga útil JSON em vez de como um conjunto de dados de aplicação. Para previsões em tempo real e baseadas em conector, você está enviando a carga útil JSON para o endpoint de previsão em tempo real na API de Machine Learning.
Para que o ponto de extremidade de previsão em tempo real na API de aprendizado de máquina possa processar seus campos de data e carimbos de data/hora, a carga útil JSON que você envia para o ponto de extremidade deve seguir os requisitos abaixo:
-
Os valores de data e de data/hora devem ser strings formatadas de acordo com os padrões ISO 8601. Exemplos:
-
2020-01-14
-
2020-01-14T00:00:00.000Z
-
-
A data principal – o recurso do qual as partes da data foram derivadas – deve ser incluída na sua totalidade. Por exemplo, seu modelo pode usar apenas um recurso Ano, mas você ainda precisa fornecer a data no formato compatível com ISO 8601.
-
Os dados em cada coluna precisam estar no mesmo fuso horário.
Os requisitos acima:
-
Aplicam-se apenas a recursos treinados com engenharia de recursos de data. Se o tipo de recurso for alterado manualmente para o tipo de recurso categórico, esses requisitos não serão aplicáveis. Se o tipo de recurso tiver sido alterado para categórico, forneça a coluna, no formato de data em que foi originalmente usada para treinamento, nos dados de aplicação.
-
Não se aplicam a modelos de série temporal.
A API de previsões em tempo real foi descontinuada e substituída pelo ponto de extremidade de previsão em tempo real na API de aprendizado de máquina. A funcionalidade em si não está sendo descontinuada. Para previsões futuras em tempo real, use o ponto de extremidade de previsão em tempo real na API de aprendizado de máquina. Para obter ajuda com a migração da API de previsões em tempo real para a API de aprendizado de máquina, consulte o guia de migração no portal do desenvolvedor do Qlik Cloud.