Zaman serisi denemeleriyle çalışma

Zaman serisi denemeleriyle, gelecekteki belirli zaman dönemlerine karşılık gelen metrikleri (örneğin, gelecek haftanın veya ayın satışlarını) tahmin etmek için modeller eğitebilirsiniz. Qlik Predict uygulamasında zaman serisi modelleri, gruplandırılmış hedefleri ve gelecekteki özellikleri destekleyen çok değişkenli tahminler üretir. Zaman serisi tahmini, sayısal bir hedef içeren denemeler için kullanılabilir.

Kullanım örnekleri

Zaman serisi tahmini, sayısal metrikler için tarihe duyarlı tahminlere ihtiyaç duyduğunuz her an kullanışlıdır. Zaman serisi tahmininin yararlı olduğu birçok senaryo vardır, bunlardan bazıları şunlardır:

• Satış ve finansal tahmin

• Envanter ve stok tahmini

• Enerji kullanımı ve talebi tahmini

• Gider tahmini

Çok değişkenli zaman serisi tahmini nedir?

Çok değişkenli zaman serisi tahmini, birden fazla değişken içeren senaryolar için gelecekteki verilerin tahmin edilmesidir. Zaman serisi denemeleri, birden fazla hedef (gruplar aracılığıyla sunulan) ve birden fazla özellik arasındaki zamana özgü kalıpları keşfetmenize olanak tanır. Sınıflandırma ve regresyon modelleriyle yapılan tahminlerin aksine, zaman serisi tahminleri belirli bir tarih veya saate özgüdür. Örneğin, ilişkili tarihleri 1-14 Ocak olan gelecek iki haftalık satışlarınızı tahmin etmek isteyebilirsiniz.

Bölüm 1: Eğitim veri kümesini hazırlama

Bir eğitim veri kümesi hazırlayarak başlayın. Eğitim veri kümesi, tutarlı zaman aralıklarında ölçülen geçmiş verileri içermelidir. Tüm ayrıntılar için bkz. Bir eğitim veri kümesi hazırlama.

Bölüm 2: Zaman serisi denemesi oluşturma

Bir ML denemesi oluşturup ardından Deneme türü olarak Zaman serisi seçeneğini belirleyerek bir zaman serisi denemesi oluşturursunuz.

Bir denemeyi zaman serisi denemesi olarak yapılandırmak için hedefin sayısal olması ve 11'den fazla benzersiz değere sahip olması gerekir (yüksek kaliteli bir model üretmek için çok daha fazlasına ihtiyaç duyulsa da). Veri kümesinin, tutarlı bir zaman aralığında kaydedilmiş tarih veya tarih-saat bilgilerini içeren bir sütuna da sahip olması gerekir.

Aşağıdakileri yapın:

1. Analiz etkinlik merkezinden bir ML denemesi oluşturun. Bkz. Deneme oluşturma.

2. Bir eğitim veri kümesi seçtikten sonra, deneme yapılandırma panelini genişletmek için Yapılandırmayı görüntüle seçeneğine tıklayın.

3. Deneme ayarları bölümünü genişletin.

4. Bir hedef seçmek için açılır menüyü kullanın.

5. Deneme türü altında Zaman serisi seçeneğini belirleyin.

Bölüm 3: Zaman serisi denemenizi yapılandırma

Ardından, zaman serisi modelinizle yapmak istediğiniz tahminlere özgü parametreleri yapılandırmanız gerekir. Bu parametreler zaman serisi denemelerine özeldir. Her bir parametrenin ne anlama geldiğine dair açıklamalar için bkz. Çok değişkenli zaman serisi tahmini ile çalışma.

Aşağıdakileri yapın:

1. Tarih dizini altında, kullanılacak dizin sütununu seçin.

   Tarih dizini

2. Verilerinize göre bölümünde, zaman adımları cinsinden İstenen tahmin penceresi boyutu ve İstenen tahmin boşluğu boyutu değerlerini ayarlayın.

   Zaman adımları

   Tahmin ufku

3. İsteğe bağlı olarak, model eğitimine hedef gruplandırmaları ve gelecekteki özellikleri eklemek için Gruplar ve Gelecekteki özellikler açılır menülerini kullanın.

   Gruplar

   Gelecekteki özellikler

Bölüm 4: Diğer deneme parametrelerini yapılandırma

Diğer deneme türleri gibi, deneme yapılandırmanızda ayarlamanız gerekebilecek, zaman serisi denemelerine özgü olmayan başka özellikler de vardır. Bunlar şunları içerir:

• Özellikleri seçme

• Algoritmaları seçme

• Özellik türlerini değiştirme

• Yanlılık algılamayı yapılandırma

Tüm ayrıntılar için bkz. Deneyleri yapılandırma.

Bölüm 5: Eğitimi çalıştırma

Aşağıdakileri yapın:

• Denemeyi çalıştır seçeneğine tıklayın.

Sonraki adımlar

Model analizi

Eğitim tamamlandıktan sonra modelleri analiz edebilir ve kalitelerini değerlendirebilirsiniz. Sonuçları iyileştirmek için gerektiğinde denemenin daha fazla yinelemesini oluşturun.

Daha fazla bilgi için bkz. Modelleri inceleme.

Model dağıtımı ve onayı

Modelleri analiz ettikten sonra, en iyisini bir ML dağıtımına dağıtın ve ardından tahminler yapmak için etkinleştirin.

Daha fazla bilgi için bkz. Modelleri dağıtma ve Dağıtılmış modelleri onaylama.

Uygulama veri kümelerini hazırlama ve tahminler oluşturma

Modelinizi dağıttıktan sonra, tahminler oluşturmak için kullanacağınız uygulama veri kümeleri gereksinimlerini anlayın. Bkz. Bir uygulama veri kümesi hazırlama.

Uygulama veri kümesini hazırladıktan sonra, zaman serisi modelinizi kullanarak tahminler oluşturun. Şunları oluşturabilirsiniz:

• Toplu tahminler

  Veri kümeleriyle ilgili tahminler oluşturma

• Gerçek zamanlı tahminler

  Gerçek zamanlı tahminler oluşturma

Sınırlamalar ve dikkat edilmesi gerekenler

• Bir zaman serisi denemesi için en fazla iki grup seçebilirsiniz. Grup olarak seçtiğiniz sütunun kategorik olması gerekir. Bu sütun sayısal veriler içerebilir ancak eğitim sırasında sütun kategorik olarak değerlendirilir.

• Maksimum tahmin penceresi 180 zaman adımı kadar büyük olabilir. Daha fazla bilgi için bkz. Maksimum tahmin penceresi.

• Akıllı model optimizasyonu, zaman serisi deneyleri için geçerli değildir.

• Zaman serisi denemeleri manuel optimizasyonu desteklemez.

• Zaman serisi denemeleri hiperparametre optimizasyonunu desteklemez.

• Zaman serisi denemeleri zamana duyarlı eğitimi desteklemez.

• Otomatik serbest metin özellik mühendisliği, zaman serisi deneyleri için kullanılamaz.

• Bir zaman serisi deneyi için bir tarih dizin sütunu seçtiğinizde, bu sütun için tarih özellik türü kullanılır. Ancak, tarih özellik mühendisliği zaman serisi modelleri için desteklenmez. Otomatik olarak tasarlanmış tarih özellikleri sütundan türetilemez.

• Zaman serisi denemeleri, modelleri derin öğrenme algoritmalarıyla eğitir. Bu nedenle, veri boyutuna ve tahmin penceresine bağlı olarak, zaman serisi modellerinin eğitilmesi genellikle regresyon ve sınıflandırma modellerine göre daha uzun sürer.

• Zaman serisi denemeleri, boyutu 1 GiB'a kadar olan eğitim veri kümelerini destekler. Daha fazla bilgi için bkz. Eğitim veri kümesi ve profil oluşturma sınırlamaları.

Zaman serisi modelleriyle tahmin oluşturmayla ilgili sınırlamalar için bkz. Sınırlamalar.

Eğitim

Model eğitiminden tahmine kadar zaman serisi tahminini gösteren eksiksiz bir eğitim için bkz. Eğitim — Çok değişkenli zaman serisi tahminiyle satışları tahmin etme.