Zaman serisi deneyini oluşturma ve yapılandırma

İlk adım, bir zaman serisi deneyini oluşturmak ve yapılandırmaktır. Modeli tahmin yapmak üzere dağıtılmaya hazır olana kadar eğitmek için, daha önceden yüklediğiniz eğitim veri kümesini kullanacaksınız.

Yeni deney oluşturma

Aşağıdakileri yapın:

Analiz etkinlik merkezinin Oluştur sayfasına gidin ve ML dağıtımı'nı seçin.
Deneyiniz için bir ad girin, örneğin Satış tahminleri.
İsteğe bağlı olarak açıklama ve etiket ekleyebilirsiniz.
Deneyiniz için bir alan seçin. Kişisel alanınızı veya paylaşılan bir alanı seçebilirsiniz.
Oluştur'a tıklayın.
ML - Multivariate forecasting - training.csv eğitim veri kümesi dosyasını seçin.

Zaman serisi eğitim veri kümesi seçili yeni ML deneyinde şema görünümü — Zaman serisi eğitim veri kümesi seçili olan ML deneyi.

Zaman serisi tahmin parametrelerini yapılandırma

1. Adım: Hedef seçin

Bir hedef sütun tanımlayarak başlayın. Gelecekteki satışları tahmin etmek istiyoruz, bu nedenle o sütunu hedef olarak seçin.

Aşağıdakileri yapın:

Şema görünümü'nde, sales yanındaki radyo düğmesine tıklayın. Bir hedef simgesi, düğmenin yerini alır.

Zaman serisi deneyi için hedef sütunu seçme.

2. Adım: Deneyi bir zaman serisi deneyi olacak şekilde yapılandırın

Aşağıdakileri yapın:

Zaten açık değilse deney yapılandırması panelini genişletmek için Yapılandırmayı görüntüle seçeneğine tıklayın.
Hedef ve deney türü seçeneğini genişletin.
Deney türü altında, Zaman serisi seçeneğini belirleyin. Bu seçenek yalnızca yüksek nicelikli bir sayısal sütun seçildikten sonra görünür.

3. Adım: Bir tarih dizini seçin

Ardından, kullanılacak zaman serisi dizin sütununu seçmeniz gerekir.

Aşağıdakileri yapın:

Yapılandırma panelinin Hedef ve deney türü bölümünde, Tarih dizini altında, açılır menüyü genişletmek için tıklayın.
date öğesini seçin.

Deney için deney türünü ve tarih dizinini seçme — Deney türü olarak Zaman serisi ve tarih dizini sütunu olarak date seçili deney yapılandırma paneli.

Tarih dizininizi seçtikten sonra panelde bazı yeni bilgiler göründü. Artık Gruplar ve Gelecek özelliklerini yapılandırabilir ve tahmin ayarlarını yapabilirsiniz.

4. Adım: Grupları seçin

Bu eğitim için eğitim veri kümesi, çok değişkenli tahmine yönelik olarak tasarlanmıştır. Çok değişkenli tahminde amaç, hedef değerleri doğrudan hedefle birlikte değişen diğer boyutlarla birlikte tahmin etmektir. Örneğin, bu eğitimde veriler, her mağaza ve ürün ailesi için ayrı ayrı takip edilen satış metriklerini içerir. Çok değişkenli tahmin, aksi takdirde ayrı modeller olarak eğitilmesi gerekebilecek bu boyutların her birini tek bir deneyde birleştirmenize olanak tanır ve modellerin farklı veri kohortları arasındaki kalıplar ve etkileşimler hakkında daha fazla bilgi edinmesini sağlar.

Çok değişkenli deneyleri, eğitim verilerinden grup olarak kullanılacak en fazla iki sütun seçerek yapılandırırsınız.

Bu eğitimin amacı, mağaza numarası ve ürün ailesi ile birlikte satışları öğrenmek ve tahmin etmek için modelleri eğitmektir, bu nedenle bu iki sütunu grup olarak seçin.

Aşağıdakileri yapın:

store_nbr ve family öğelerini Gruplar olarak seçin.

Açıkça hiçbir grup seçilmezse model yalnızca kategorik özellikleri kullanarak uygun bir gruplama için otomatik olarak arama yapar. Geçerli bir grup belirlendiğinde süreç eğitimle devam eder. Bu nedenle, sistemin store_nbr'yi geçerli bir grup sütunu olarak otomatik olarak algılamasını istiyorsak, kategorik bir özellik olarak işaretlenmelidir.

5. Adım: Kovaryatları (özellikleri) yapılandırın

Makine öğreniminde "kovaryat" ve "özellik" terimleri genellikle eş anlamlı olarak kullanılır, ancak Qlik Predict zaman serisi tahmininde "kovaryat" terimi yaygın olarak kullanılır ve daha açıklayıcıdır. Çok değişkenli bir zaman serisi modelinde üç tür kovaryat vardır: statik, geçmiş ve gelecek.

Statik ve geçmiş kovaryatlar, gruplar, tarih dizini ve gelecek özellikler dışındaki, deney eğitimine dahil ettiğiniz Özellikler arasındadır. Statik ve geçmiş kovaryatlar sistem tarafından otomatik olarak tanımlanır. Bunları, özellik olarak dahil etmenin (ve gelecek özellikler olarak yapılandırmaktan kaçınmanın) ötesinde yapılandırmanıza gerek yoktur.

Gelecekteki kovaryatlar veya gelecekteki özellikler, eğitime dahil ettiğiniz Özellikler olarak da adlandırılır. Gelecekteki kovaryatlar, gelecekteki verilere sahip olan özelliklerdir ve bu verileri önceden bileceksiniz; özellikle, seçtiğiniz tahmin ufkunuzu kapsayan bu özellik için gelecekteki değerlere erişiminiz vardır. Gelecekteki özellikler için, modelin eğitildiği geçmiş zaman aralığına ait veri değerlerini de bilmeniz gerekir.

Gelecekteki bir özelliği eğitim Özellikleri listesine dahil etmenin yanı sıra, onu eğitim yapılandırma panelinde gelecekteki bir özellik olarak da yapılandırmanız gerekir. Tahmin zamanında, model doğru tahminler oluşturmak için tahmin ufkunu kapsayan gelecekteki özellik verilerini bekleyecektir.

Eğitim verilerinde onpromotion özelliği, belirtilen tarih için kaç ürünün promosyonlu fiyatlarla indirimli olduğunu izler. Bu, önceden bilinen bir bilgidir ve bunun için gelecekteki veriler mevcuttur, bu nedenle gelecekteki bir özellik olarak kullanılabilir.

Aşağıdakileri yapın:

Gruplar açılır menüsünün altında, Gelecek özellikleri öğesini genişletin ve onpromotion öğesini seçin.

Özetlemek gerekirse:

onpromotion, bir gelecek özelliği olarak seçildi.
Tarih dizini dışında, eğitim için başka hiçbir kovaryat seçilmedi.

6. Adım: Tahmin zaman aralığını ve boşluğunu ayarlayın

Tarih dizininizi seçtikten sonra panelde bazı yeni bilgiler görünür.

Verilerinize dayanarak bölümüne gidin. Bu bölüm, geçmiş verilerinizin zaman aralığını özetler ve tahmin istediğiniz gelecekteki tarih aralığını yapılandırmanıza olanak tanır.

Tahmini maksimum tahmin 180 gündür. Bu tahmin, mevcut geçmiş verilere dayanmaktadır; burada tahmin zaman aralığı, mevcut toplam geçmiş verilerin bir kısmıdır. Hedefi tahmin edebileceğinizin tahmin edildiği maksimum gelecekteki zaman adımı (bu durumda günler) sayısını temsil eder. Eğitimin bir sürümü çalıştırıldıktan sonra daha fazla bilgi edinilecek ve bu tahmin kesin bir maksimum tahminle değiştirilecektir.

Tahmin zaman aralığı boyutu, gelecekte kaç zaman adımını tahmin etmek istediğinizi ayarlar. Örneğin, bu eğitimde tahmin zaman aralığının 7 olarak ayarlanması, modelin gelecekteki hedef tarihlerin bir haftasını tahmin edeceğini gösterir.

Tahmin boşluğu boyutu, eğitim verilerinizin bitiminden hemen sonraki, tahmin istemediğiniz zaman kademesi sayısını ayarlar. Örneğin, yalnızca üç veya daha fazla gün sonraki tarihler için satış tahmini yapmak isteyebilirsiniz.

Aşağıdakileri yapın:

Verilerinize dayanarak bölümünde, Tahmin zaman aralığı boyutunu 7 zaman kademesine ayarlayın.
Tahmin boşluğu boyutunu 3 zaman kademesine ayarlayın.

Tahmin ufku, tahmin zaman aralığı artı tahmin boşluğu boyutudur ve zaman kademeleriyle ölçülür. Bu durumda, tahmin ufku 10'dur; bu da o tahmin boşluğu için hiçbir gerçek değer kaydedilmemiş olsa bile tahmin anında 10 zaman kademesi ileriyi tahmin ettiğinizi gösterir.

Yapılandırılmış grupları, gelecek özelliği ve seçilen tüm özelliklerin bir özetini gösteren deney yapılandırma paneli.

Aşağıdaki diyagram, zaman serisi tahmin kavramlarını ve bunların deney yapılandırmasıyla nasıl ilişkili olduğunu göstermektedir. Zaman serisi tahmini kavramları hakkında daha fazla bilgi için bkz. Çok değişkenli zaman serisi tahminiyle çalışma.

Tam boyutta görüntülemek için tıklayın — Qlik Predict içinde bir zaman serisi tahmin probleminin bileşenlerini özetleyen basitleştirilmiş çizim.

Diğer ayarları onaylama

Zaman serisi yapılandırmalarını tamamladığınıza göre, yapılandırma panelindeki kalan eğitim ayarlarını gözden geçirin.

Özellikler altında dört özelliğin seçili olduğunu görebilirsiniz.
Algoritmalar altında mevcut tüm algoritmaların seçili olduğunu görebilirsiniz.

Deneyi eğitme

Yapılandırma işlemi bitti ve eğitimi başlatmaya hazırız.

Aşağıdakileri yapın:

Deney penceresinin sağ alt köşesindeki Deneyi çalıştır seçeneğine tıklayın.

Deneyi çalıştırma tamamlandığında sonraki adıma, sonuç olarak elde ettiğimiz model metriklerini incelemeye geçebiliriz.

Bu sayfa size yardımcı oldu mu?

Bu sayfa veya içeriği ile ilgili bir sorun; bir yazım hatası, eksik bir adım veya teknik bir hata bulursanız lütfen bize bildirin!

Geri bildiriminizi buradan iletin