Arbeta med datumfunktioner i prognoser
När du kör prognoser från en ML-distribution som tränats med automatiskt konstruerade datumfunktioner, finns det krav på hur du anger datum och tider i tillämpningsdata. Dessa krav och överväganden skiljer sig något åt beroende på om du kör batchprognoser, realtidsprognoser eller använder Qlik Predict analyskopplingen.
Automatisk generering av datumfunktioner
Automatisk funktionsgenerering är ett dataförberedelsesteg som utförs i ett ML-experiment under modellträning. Med den här processen skapas nya funktioner från träningsdatauppsättningen och används sedan för att träna modellen. För datumfunktionskolumner utförs den här processen automatiskt som standard. Användare kan välja bort datumfunktionskonstruktion. I de flesta fall rekommenderas det dock att använda den här funktionen.
Mer information finns i Generering av datumfunktioner.
Krav för batchförutsägelser
Autogenererade datumfunktioner genereras när träningsdatauppsättningen används för att skapa en modell som distribueras och används som ML-distribution för att göra prognoser på nya data (för batchprognoser är detta tillämpningsdatauppsättningen).
När en modell som tränats med autogenererade datumfunktioner distribueras för att göra prognoser behöver tillämpningsdatauppsättningen som du genererar prognoser på inkluderade autogenererade datumfunktioner. Qlik Predict genererar de autogenererade funktionerna för den tillämpade datauppsättningen innan prognoser görs. Men tillämpningsdatauppsättningen måste inkludera den överordnade datumfunktionen (från vilken datumdelarna härleddes), och kolumnen du använder måste ha datatypen Date, Datetime, Timestamp eller Time.
Prognosdatauppsättningarna som skapas av en ML-distribution, inklusive SHAP och tillämpningsdatauppsättningar kommer att inkludera de autogenererade datumfunktionerna.
Krav för realtids- och kopplingsbaserade prognoser
När du kör realtidsprognoser och prognoser från Qlik Predict analyskopplingen, finns det krav på datumfunktioner i de tillämpningsdata du tillhandahåller till Qlik Predict. För dessa typer av prognoser anges tillämpningsdata i en liten JSON-nyttolast snarare än som en tillämpningsdatauppsättning. För både realtids- och kopplingsbaserade förutsägelser skickar du JSON-nyttolasten till realtidsförutsägelse-slutpunkten i Machine Learning API:et.
För att slutpunkten för realtidsprognoser i API:t för maskininlärning ska kunna bearbeta dina datum- och tidsstämpelsfält måste JSON-nyttolasten som du skickar till slutpunkten uppfylla nedanstående krav:
-
Date- och datetime-värdena måste vara strängar som är formaterade enligt ISO 8601-standarderna. Exempel:
-
2020-01-14
-
2020-01-14T00:00:00.000Z
-
-
Överordnat datum – den funktion från vilken datumdelarna härleddes – måste inkluderas i sin helhet. Till exempel kanske din modell bara använder en Year-funktion, men du måste ändå ange datumet i ISO 8601-kompatibelt format.
-
Data inom varje kolumn måste vara inom samma tidszon.
Ovanstående krav:
-
Gäller endast för funktioner som tränats med datumfunktionsframtagning. Om funktionstypen ändras manuellt till den kategoriska funktionstypen gäller dessa krav inte. Om funktionstypen har ändrats till kategorisk, ange kolumnen, i det datumformat som den ursprungligen användes för träning, i tillämpningsdata.
-
Gäller inte för tidsseriemodeller.
API:t för realtidsprognoser har fasats ut och ersatts av slutpunkten för realtidsprognoser i API för maskininlärning. Funktionaliteten i sig är inte utfasad. För framtida realtidsprognoser, använd slutpunkten för realtidsprognoser i API för maskininlärning. För hjälp med att migrera från API:et för realtidsprognoser till API för maskininlärning, se migreringsguiden på Qlik Cloud utvecklarportalen.