Arbeta med prediktioner för tidsseriemodeller
När du har distribuerat en tidsseriemodell kan du använda den för att skapa prediktioner på nya data. För att skapa tidsserieprediktioner förbereder du ett tillämpningsdataset som innehåller nödvändiga data och struktur. Mer information finns i Förbereda en tillämpningsdatauppsättning.
Prediktionsmekanism
Processen för tidsseriemodellprediktioner skiljer sig något från klassificerings- och regressionsmodeller.
Klassificerings- och regressionsmodeller förutsäger framtida värden för en hel kolumn som inte finns eller är okänd i tillämpningsdatauppsättningen. Anta till exempel att du har en binär klassificeringsmodell som förutsäger framtida värden för en Bortfall-kolumn. Tillämpningsdatauppsättningen innehåller vanligtvis inte en Bortfall-kolumn, och om den finns ignoreras den – i stället genereras värdena för den här kolumnen av modellen som förutsägelser.
Å andra sidan skapas förutsägelser som rader i stället för kolumner med en tidsseriemodell. Förutsägelserna genereras fortfarande för en målkolumn, men de är poster som motsvarar specifika framtida tidsvärden. Kolumnernas struktur ändras inte mellan tränings- och tillämpningsdatauppsättningarna.
Dessutom bör en tillämpningsdatauppsättning för en klassificerings- eller regressionsmodell inte innehålla något målvärde som du vill generera förutsägelser för. Å andra sidan måste tillämpningsdatauppsättningen för en tidsseriemodell innehålla vissa historiska mål- och funktionsvärden som motsvarar tillämpningsfönstret för modellen. Dessa krav specificeras ytterligare i Förbereda en tillämpningsdatauppsättning.
Tillgängliga verktyg för att skapa ett tillämpningsdataset
Följande verktyg är tillgängliga i Qlik Cloud för att hjälpa dig att bygga och dynamiskt generera dina datamängder:
-
Qlik skriptning, tillgänglig i Skriptredigeraren i applikationer, samt den fristående skriptredigeraren som är tillgänglig från Analyser aktivitetscentret.
-
Tabellrecept, tillgängligt som ett fristående verktyg från Analyser aktivitetscentret. Tabellrecept är utformat för att skapa datamängder med en enda tabell, till exempel de som används inom maskininlärning.
-
Dataflöde, tillgängligt som ett fristående verktyg från Analyser aktivitetscentret.
-
Datahanteraren i analysapplikationer.
Vanliga åtgärder
Ändra funktionstyper
Det är möjligt att du när du förbereder ditt tillämpningsdataset behöver transformera kolumner för att ändra deras funktionstyper.
Det vanligaste exemplet är om du har en numerisk kolumn som du har konfigurerat som en grupp i din modell. När du väljer en funktion som en grupp i ditt experiment ändras dess funktionstyp automatiskt till kategorisk om den inte redan är det, så att den kan hanteras som en grupp. När du lägger till ditt tillämpningsdataset för prediktioner innehåller kolumndata troligen fortfarande numeriska funktionsdata, så du måste ändra kolumnen till strängdata så att den identifieras som en kategorisk funktion. Denna transformering kan enkelt göras med Qlik-skript — med hjälp av funktionen text() — eller med andra Qlik-verktyg för dataförberedelse, till exempel tabellrecept och dataflöde.
Ett exempel på hur du använder Qlik-skript finns i Förbereda datauppsättningen.
Omträning av modell
Om du behöver skapa prediktioner för nya gruppvärden (som inte fanns i träningsdata) måste du träna en ny modell med träningsdata som inkluderar dessa nya gruppvärden. Mer information finns i Förbereda en tillämpningsdatauppsättning.
Saknade gruppvärden vid prediktionstillfället
När du predikterar med en distribuerad tidsseriemodell hanteras saknade gruppvärden på olika sätt beroende på om dessa värden är för primära eller sekundära grupper. Mer information och lösningar finns i Förbereda en tillämpningsdatauppsättning.
Begränsningar
-
Övervakning av dataavvikelse är inte tillgänglig för tidsseriemodeller.
-
SHAP-datauppsättningar kan inte genereras under förutsägelser med tidsseriemodeller.
-
Analyskopplingen Qlik Predict stöder inte tidsseriemodeller.
För begränsningar relaterade till tidsserieexperiment, se Begränsningar och överväganden.