Работа с функциональностью даты в прогнозированиях
При выполнении прогнозирований из развертывания ML, обученного с помощью автоматически спроектированных функциональностей даты, существуют требования к тому, как вы указываете даты и время в применяемых данных. Эти требования и соображения немного отличаются в зависимости от того, выполняете ли вы пакетные прогнозирования, прогнозирования в реальном времени или используете аналитический коннектор Qlik Predict.
Автоматическое создание признаков даты
Автоматическое создание признаков — это этап подготовки данных, который выполняется в эксперименте ML во время обучения модели. С помощью этого процесса новые характеристики создаются из обучающего набора данных, а затем используются для обучения модели. Для столбцов с характеристиками даты этот процесс выполняется автоматически по умолчанию. Пользователи могут отказаться от проектирования характеристик даты. Однако в большинстве случаев рекомендуется использовать эту возможность.
Для получения дополнительной информации см. раздел Создание признаков даты.
Требования к пакетным прогнозам
Автоматически созданные признаки даты генерируются при использовании обучающего набора данных для создания модели, которая развертывается и используется в качестве развертывания машинного обучения для прогнозирования новых данных (для пакетных прогнозов это набор данных для применения).
Когда модель, обученная с использованием автоматически созданных признаков даты, разворачивается с целью прогнозирования, набор данных для применения, на основе которого создаются прогнозирования, не должен обязательно включать автоматически созданные признаки даты. Qlik Predict автоматически создает признаки для набора для применения перед прогнозированием. Однако набор данных для применения должен включать родительский признак даты (из которого были получены части даты), а используемый столбец должен иметь тип данных Date, Datetime, Timestamp или Time.
Наборы данных для прогнозирования, созданные развертыванием машинного обучения, включая SHAP и наборы данных для применения, будут включать автоматически созданные признаки даты.
Требования для прогнозирования в реальном времени и на основе коннекторов
При выполнении прогнозов в реальном времени и прогнозов из аналитического коннектора Qlik Predict существуют требования к признакам даты в данных для применения, которые вы предоставляете Qlik Predict. Для этих типов прогнозов данные для применения указываются в небольшом JSON-объекте, а не в виде набора данных для применения. Для прогнозов в реальном времени и на основе коннекторов вы отправляете полезную нагрузку JSON в конечную точку прогнозирования в реальном времени в API машинного обучения.
Чтобы конечная точка прогнозирования в реальном времени в API-интерфейсе машинного обучения могла обрабатывать поля даты и меток времени, полезная нагрузка JSON, отправляемая в эту конечную точку, должна соответствовать перечисленным ниже требованиям.
-
Значения даты и времени-даты должны быть в формате строки согласно стандартам ISO 8601 Примеры:
-
2020-01-14
-
2020-01-14T00:00:00.000Z
-
-
Родительская дата — функциональность, из которой были получены части даты — должна быть включена полностью. Например, ваша модель может использовать только характеристику Год, но вам все равно необходимо предоставить дату в формате, соответствующем ISO 8601.
-
Данные в каждом столбце должны относиться к одному часовому поясу.
Вышеуказанные требования:
-
Применяются только для функциональностей, обученных с использованием инжиниринга признаков даты. Если тип функциональности вручную изменен на категориальный, эти требования не применяются. Если тип функциональности был изменен на категориальный, укажите столбец в формате даты, в котором он изначально использовался для обучения, в данных применения.
-
Не применяются к моделям временных рядов.
API прогнозирования в реальном времени устарел и заменен конечной точкой прогнозирования в реальном времени в API машинного обучения. Сама функция сохранена. Для будущих сеансов прогнозирования в реальном времени используйте конечную точку прогнозирования в реальном времени в API машинного обучения. Для получения помощи по миграции с API прогнозирования в реальном времени на API машинного обучения, обратитесь к руководству по миграции на портале разработчиков Qlik Cloud.