Arbeta med prognoser för tidsseriemodeller
När du har distribuerat en tidsseriemodell kan du använda den för att skapa prognoser på nya data. För att skapa tidsserieprognoser förbereder du en apply-datauppsättning som innehåller de nödvändiga data och strukturen. Fullständig information finns i Förbereder en tillämpad datauppsättning.
Prognosmekanism
Processen för tidsseriemodellprognoser har vissa skillnader från klassificerings- och regressionsmodeller.
Klassificerings- och regressionsmodeller prognostiserar framtida värden för en hel kolumn som inte existerar eller är okänd i den tillämpade datauppsättningen. Anta till exempel att du har en binär klassificeringsmodell som prognostiserar framtida värden för en Churned-kolumn. Den tillämpade datauppsättningen kommer vanligtvis inte att innehålla en Churned-kolumn, och om den finns ignoreras den – istället genereras värdena för denna kolumn av modellen som prognoser.
Å andra sidan skapas prognoser som rader snarare än kolumner med en tidsseriemodell. Prognoserna genereras fortfarande för en målkolumn, men de är poster som motsvarar specifika framtida tidsvärden. Kolumnstrukturen ändras inte mellan tränings- och de tillämpade datauppsättningarna.
En tillämpad datauppsättning för en klassificerings- eller regressionsmodell bör inte innehålla målvärden för vilka du vill generera prognoser. Å andra sidan måste den tillämpade datauppsättningen för en tidsseriemodell innehålla historiska mål- och funktionsvärden som motsvarar modellens tillämpningsfönster. Dessa krav specificeras ytterligare i Arbeta med prognoser för tidsseriemodeller.
Tillgängliga verktyg för att skapa en apply-datauppsättning
Följande verktyg är tillgängliga i Qlik Cloud för att hjälpa dig att bygga och dynamiskt generera dina datamängder:
-
Qlik skriptning, tillgänglig i Skriptredigeraren i appar, 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 analysappar.
Vanligtvis nödvändiga åtgärder
Ändra funktionstyper
Det är möjligt att när du förbereder din apply-datauppsättning, kommer du att behöva 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 inom 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 din tillämpningsdatauppsättning för förutsägelser, innehåller kolumndata fortfarande sannolikt numeriska funktionsdata, så du måste ändra kolumnen till strängdata så att den identifieras som en kategorisk funktion. Denna transformering kan enkelt göras med Qlik skriptning — med hjälp av text()-funktionen — eller med andra Qlik dataförberedelseverktyg som tabellrecept och dataflöde.
För ett exempel med Qlik skriptning, se Förbereda datauppsättningen.
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.