Skapa tidskänsliga modeller
Med tidskänslig träning kan du bygga modeller som klarar att förutsäga data längs en tidsbaserad kolumn som finns i dina träningsdata. Aktivera tidskänslig träning om du behöver göra prognoser på ett mål som du vet påverkas av den här tidsbaserade kolumnen.
Tidskänslig utbildning hjälper till att minska dataläckage genom att tillämpa specialiserad databehandling på utbildningsdata. Denna bearbetning gör att algoritmer för maskininlärnings bättre kan tolka data och prognoskontext utifrån ett visst datum eller en viss tidsdimension.
För att träna tidskänsliga modeller behöver du en kolumn i din träningsdatadatauppsättning som innehåller datum eller tidsmarkördata. Denna kolumn är det datumindex som används för att sortera datauppsättningen före träning. Se Krav på datumindexering för mer information om datumindexet.
När du ska använda tidskänslig träning
Tidskänslig modellträning är perfekt för modeller som prognostiserar förändringar över ett tidsmått som redan finns i träningen. Exempel:
-
Du vill prognostisera din försäljning för nästa månad och du har en kolumn för Transaktionsdatum i din datauppsättning.
-
Du vill prognostisera mätdata för sena leveranser och du har en kolumn för Leveransdatum i din datauppsättning.
Hur fungerar tidskänslig träning
Ett vanligt problem inom maskininlärning är att hitta ett sätt att se till att modellerna endast tränas på information som skulle vara tillgänglig vid träningstillfället. Om dina träningsdata innehåller framträdande data och tidsinformation kan denna information användas för att förhindra dataläckage.
Krav på datumindexering
För att aktivera tidskänslig träning måste du ha en kolumn i din datauppsättning som innehåller den information om datum och tid som modellträningen utgår ifrån. Du väljer kolumn när du konfigurerar modelloptimering för träningen.
Om du vill använda en kolumn som datumindex i din utbildning måste kolumnen ha samtliga följande egenskaper:
-
Fullständiga datum. Exempelvis kan inte kolumner som endast innehåller månad eller dag användas.
-
Datatyp för datum eller tidsmarkör.
-
Funktionstypen datum.
Undantagna data och korsvalidering
När du väljer hur data ska separeras för undantag och korsvalideringsprocessen går det att introducera framtida data i modellutbildningen via metoder för slumpmässigt urval. När du aktiverar tidskänslig träning använder Qlik Predict istället följande process:
-
Träningsdatauppsättningen sorteras efter din valda indexkolumn innan den separeras i tränings- och undantagsdata.
-
Varje upprepning av träningen använder en fast teststorlek och en gradvis ökande träningsstorlek. Datan blir allt nyare för varje upprepning.
Fullständig information finns i Tidsbaserad korsvalidering.
Annan bearbetning
Tidskänslig modellutbildning använder också andra processer som skiljer sig från standardutbildningsprocesserna. Exempelvis använder tidskänslig utbildning en modifierad process för tillräkning av nollor. Mer information finns i Imputation av nullvärden.
Aktivera tidskänslig utbildning
Tidskänslig modellträning kan aktiveras, inaktiveras eller konfigureras om för varje version som du kör i ett experiment.
Gör följande:
-
I ett experiment klickar du på
Visa konfiguration. -
Om du redan kört minst en version av experimentet klickar du på Ny version.
-
Expandera Modelloptimering i panelen.
-
Under Delning av tidsbaserad testträning väljer du Datumindex för att sortera data.
Du kan ändra den tidskänsliga träningen under förfining av modellen. Du kan till exempel stänga av inställningen eller välja en ny kolumn som datumindex. Mer information finns i Förfining av modeller.
Begränsningar och överväganden
Beroende på ditt användningsfall kan tidskänslig modellträning hjälpa dig att bygga bättre modeller. I andra fall kan du se bättre resultat med tidsseriemodeller eller standardträningsprocessen för klassificerings- och regressionsmodeller. Tidskänslig träning är användbar när du inte vill träna en tidsseriemodell men ändå behöver inkludera ett tidsbaserat fokus i den resulterande modellen. Till exempel kan tidskänslig träning vara ett lämpligt alternativ till tidsseriemodellträning när dina indata inte tillåter gruppering.
Tidskänslig träning utför inte automatisk funktionsgenerering för att generera eftersläpande funktioner för tidsserieproblem.
Tidsmedveten träning är inte tillgänglig för tidsserieexperiment.