Skapa och konfigurera tidsserieexperimentet

Det första steget är att skapa och konfigurera ett tidsserieexperiment. Du kommer att använda träningsdatauppsättningen som du laddade upp tidigare för att träna modellen tills den är klar att distribueras för att göra prognoser.

Skapa ett nytt experiment

Gör följande:

Gå till sidan Skapa i aktivitetscentret för Analyser och välj ML-experiment.
Ange ett namn för ditt experiment, till exempel Försäljningsprognoser.
Du kan även lägga till en beskrivning och taggar.
Välj en plats för ditt experiment. Det kan vara ditt personliga utrymme eller ett gemensamt utrymme.
Klicka på Skapa.
Välj träningsdatauppsättningsfilen ML - Multivariate forecasting - training.csv.

Schemavy i nytt ML-experiment med träningsdatauppsättning för tidsserier vald — ML-experiment med vald tidsserieträningsdatauppsättning.

Konfigurera parametrar för tidsserieprognostisering

Steg 1: Välj mål

Börja med att definiera en målkolumn. Vi vill prognostisera framtida försäljning, så välj den kolumnen som mål.

Gör följande:

I schemavyn klickar du på alternativknappen bredvid sales. En mål ikon ersätter knappen.

Välja målkolumnen för tidsserieexperimentet.

Steg 2: Konfigurera experimentet som ett tidsserieexperiment

Gör följande:

Klicka på Visa konfiguration för att expandera panelen för experimentkonfiguration om den inte redan är öppen.
Expandera Mål och experimenttyp.
Under Experimenttyp väljer du Tidsserie. Det här alternativet visas bara när du har valt en numerisk kolumn med hög kardinalitet.

Steg 3: Välj ett datumindex

Därefter måste du välja kolumnen för tidsserieindex att använda.

Gör följande:

Fortfarande i Mål- och experimenttyp-delavsnittet i konfigurationspanelen, under Datumindex, klickar du på rullgardinsmenyn för att expandera den.
Välj date.

Välja experimenttypen och datumindex för experimentet — Konfigurationspanelen för experiment med Tidsserie valt som experimenttyp och date valt som kolumn för datumindex.

När du har valt ditt datumindex har ny information visats i panelen.Du kan nu konfigurera Grupper och Framtida funktioner, och justera prognosinställningar.

Steg 4: Välj grupper

Träningsdatauppsättningen för den här självstudien är utformad för multivariat prognostisering. Med multivariat prognostisering är målet att förutsäga målvärden tillsammans med andra dimensioner som varierar direkt tillsammans med målet. Till exempel, i den här självstudien, innehåller data försäljningsmått som spåras individuellt för varje butik och produktfamilj. Multivariat prognostisering gör att du kan kombinera var och en av dessa dimensioner – som annars skulle behöva tränas som separata modeller – i ett enda experiment, vilket gör att modeller kan lära sig mer om mönster och interaktioner mellan olika datakohorter.

Du konfigurerar multivariata experiment genom att välja upp till två kolumner från träningsdata som ska användas som grupper.

Målet med den här självstudien är att träna modeller för att lära sig och förutsäga försäljning tillsammans med butiksnummer och produktfamilj, så välj dessa två kolumner som grupper.

Gör följande:

Välj store_nbr och family som grupper.

Om ingen grupp uttryckligen väljs, kommer modellen automatiskt att söka efter en lämplig gruppering med endast kategoriska funktioner. När en giltig grupp har identifierats fortsätter processen till träning. Därför, om vi vill att systemet automatiskt ska upptäcka store_nbr som en giltig gruppkolumn, måste den markeras som en kategorisk funktion.

Steg 5: Konfigurera kovariater (funktioner)

Termerna "kovariat" och "funktion" används ofta synonymt inom maskininlärning, men inom tidsserieprognostisering i Qlik Predict används termen "kovariat" oftare och är mer beskrivande. I en multivariat tidsseriemodell finns det tre typer av kovariater: statiska, tidigare och framtida.

Statiska och tidigare kovariater är bland de funktioner som du inkluderar i experimentträningen, förutom grupper, datumindex och framtida funktioner. Statiska och tidigare kovariater identifieras automatiskt av systemet. Du behöver inte konfigurera dessa utöver att inkludera dem som funktioner (och undvika att konfigurera dem som framtida funktioner).

Framtida kovariater, eller framtida funktioner, avser också funktioner som du inkluderar i träningen. Framtida kovariater är funktioner som har framtida data som du kommer att känna till i förväg – i synnerhet har du tillgång till framtida värden för denna funktion som sträcker sig över din valda prognoshorisont. För framtida funktioner behöver du också känna till datavärdena för det historiska tidsintervallet som modellen tränas på.

Förutom att inkludera en framtida funktion i listan över tränings-funktioner måste du också konfigurera den som en framtida funktion i konfigurationspanelen för träning. Vid prediktionstillfället kommer modellen att förvänta sig data för framtida funktioner som sträcker sig över prognoshorisonten för att generera korrekta prognoser.

I träningsdata spårar onpromotion funktionen hur många produkter som rabatteras till kampanjpriser för det angivna datumet. Detta är information som är känd i förväg, och det finns framtida data tillgänglig för den, så den kan användas som en framtida funktion.

Gör följande:

Under listrutan Grupper expanderar du Framtida funktioner och väljer onpromotion.

Sammanfattningsvis:

onpromotion har valts som en framtida funktion.
Förutom datumindexet valdes inga andra kovariater för träningen.

Steg 6: Ange prognosfönstret och luckan.

När du har valt ditt datumindex visas ny information i panelen.

Gå till Baserat på dina data-delavsnittet.Detta delavsnitt beskriver tidsintervallet för dina historiska data och låter dig konfigurera intervallet för framtida datum som du vill ha prognoser för.

Den beräknade maximala prognosen är 180 dagar. Denna uppskattning baseras på tillgängliga historiska data, där prognosfönstret är en bråkdel av de totala tillgängliga historiska data. Det representerar det maximala antalet framtida tidssteg (i det här fallet, dagar) för vilka du beräknas kunna förutsäga målet. Efter att ha kört en version av träningen, kommer mer information att vara känd och denna uppskattning kommer att ersättas av en definitiv maximal prognos.

Den Prognosfönsterstorlek anger hur många tidssteg in i framtiden du vill förutsäga. Till exempel, i den här handledningen, skulle inställning av prognosfönstret till 7 indikera att modellen ska förutsäga en vecka av framtida måldatum.

Den Prognosgapstorlek anger antalet tidssteg omedelbart efter slutet av dina träningsdata för vilka du inte vill ha prognoser. Du kanske till exempel bara vill förutsäga försäljning för datum tre eller fler dagar in i framtiden.

Gör följande:

I Baserat på dina data-delavsnittet ställer du in Prognosfönsterstorlek till 7 tidssteg.
Ställ in Prognosgapstorlek till 3 tidssteg.

Prognoshorisonten är prognosfönstret plus prognosgapstorleken, mätt i tidssteg. I det här fallet är prognoshorisonten 10, vilket indikerar att vid prediktionstillfället prognostiserar du 10 tidssteg framåt, även om inga faktiska värden kan ha registrerats för det prediktionsgapet.

Experimentkonfigurationspanel som visar konfigurerade grupper, framtida funktion och en sammanfattning av alla valda funktioner.

Följande diagram illustrerar begrepp för tidsserieprognoser och hur de relaterar till experimentkonfigurationen. Mer information om begrepp för tidsserieprognoser finns i Arbeta med multivariat tidsserieprognostisering.

Klicka för att visa i full storlek — Förenklad illustration som beskriver komponenterna i ett tidsserieprognosproblem i Qlik Predict.

Bekräfta andra inställningar

Nu när du har slutfört tidsseriekontrollerna, granska de återstående träningsinställningarna i konfigurationspanelen.

Under Funktioner kan du se att fyra funktioner är valda.
Under Algoritmer kan du se att alla tillgängliga algoritmer är valda.

Träning av experimentet

Konfigurationen är klar och vi är redo att börja träningen.

Gör följande:

Klicka på Kör experiment i det nedre högra hörnet av experimentfönstret.

När experimentet är färdigt kan vi gå vidare till nästa steg, som är att granska de resulterande modellmätvärdena.

Var den här sidan till hjälp för dig?

Om du stöter på några problem med den här sidan eller innehållet på den, t.ex. ett stavfel, ett saknat steg eller ett tekniskt fel – meddela oss!

Lämna din feedback här