Zaman serisi dağıtımıyla tahmin etme

Zaman serisi modelinizi dağıttıktan ve onayladıktan sonra, zamana özel tahminler oluşturabilirsiniz. Bu eğitimde, ML dağıtımı içinde bir tahmin yapılandırması oluşturuyor ve bunu bir toplu tahmin çalıştırmak için kullanıyoruz.

Şimdiye kadar, makine öğrenimi modeli oluşturmak için günlük satış verilerini kullandık. Bu işlemdeki amaç, yeni verilere uygulamak amacıyla makine öğrenimi yoluyla desenleri belirlemektir.

Zaman serisi modelleriyle tahminleri anlama

Zaman serisi modelleri için tahminlerin nasıl çalıştığı arasındaki ayrımı yapmak önemlidir, çünkü diğer model türleri için tahminlerden farklıdır. Uygulama veri kümenizi hazırlamak için tamamladığınız adımlar, diğer model türleri için olan adımlardan farklıdır.

Zaman serisi modellerinde, yeni tahminler ayrı bir sütun olarak eklenmek yerine yeni satırlar olarak eklenir.

Uygulama veri kümesi oluşturma

Bu bölüm, bu zaman serisi problemi için uygulama veri kümenizi nasıl oluşturabileceğinizi özetlemektedir. Veri kümesi satırlarını derleme sürecinin kendisi gösterilmemiştir, ancak iş akışı gösterilmiştir.

Sütun yapısı

Uygulama veri kümenizin, dağıttığınız zaman serisi modeliyle aynı şemayı içermesi gerekir. Şema, ML dağıtımını açtığınızda bulunabilir.

Her durumda, uygulama veri kümesi model şemasıyla aynı sütunları içermelidir — başka bir deyişle, aşağıdakilerin her biri için bir sütun:

• Veri dizini

• Hedef

• Gruplar

• Özellikler (kovaryatlar)

Satır yapısı

Veri kümeniz şu şekilde kayıtlar (satırlar) içermelidir:

• Eğitim veri kümesine dahil edilen tüm sütunlar için sütunlar ve sütun başlıkları.

• Eğitim veri kümesiyle aynı zaman adımı.

• Eğitim veri kümesinde bulunan tüm gruplar ve grup değerleri.

• Model için uygulama penceresindeki kayıt sayısı kadar veya daha fazla, tahmin kesme zamanından önceki geçmiş veri kaydı (hedef ve grup başına). Bunların, geçmişte gözlemlenen tarih veya zaman damgasını, hedef ve ortak değişken değerlerini içeren tam kayıtlar olması gerekir. Uygulama penceresi, eğitim sırasında yapılandırılan tahmin penceresi ve boşluk tarafından belirlenir; gelecekte ne kadar ileriye dönük tahmin yapmanız gerekiyorsa, tahminleri çalıştırmak için uygulama veri kümenizde o kadar fazla geçmiş veriye ihtiyacınız vardır.

• Tahmin ufkunuzdaki tüm gelecekteki zaman adımları için kayıtlar. Bu gelecekteki kayıtlar için yalnızca tarih dizini sütununun değerlerini ve ayrıca tüm gelecekteki özellikleri dahil edin. Diğer sütunların değerlerini boş bırakın.

Diğer değişiklikler

Model şemasıyla eşleşmesi için veri kümesinde başka değişiklikler yapmanız gerekebilir. Özellikle, gruplandırılmış özellikler, eğitim sırasında grup olarak seçildiğinde, grup olarak kullanılabilmeleri için otomatik olarak kategorik özellik türüne dönüştürülür. Uygulama verilerinizde, grup olarak kullandığınız sayısal veri içeren özellikleriniz varsa, bunların veri türünü kategorik veri olarak tanımlanacak şekilde dönüştürmeniz gerekecektir. Bunun bir örneği Veri kümesini hazırlama içinde gösterilmiştir.

Veri kümesini hazırlama

Bu eğitim, gerekli sütunlar ve kayıtlarla önceden yapılandırılmış bir uygulama veri kümesi sağlar. Ancak, sağlanan uygulama veri kümesi, modelde grup olarak yapılandırılmış sayısal bir sütun olan store_nbr içerir. Bu sütunu dize verilerine dönüştürmek için bir komut dosyası oluşturmanız gerekiyor.

Aşağıdakileri yapın:

1. Analiz etkinlik merkezinin Oluştur sayfasına gidin ve Komut dosyası'nı seçin.

2. Komut dosyanız için bir ad girin, örneğin Dönüştürülmüş uygulama verileri.

3. Komut dosyanız için bir alan seçin. Orijinal uygulama veri kümesini depoladığınız alanla aynı olması gerekiyor.

4. Oluştur'a tıklayın.

5. Komut dosyası kodu içinde, Düzenleyici'ye geçin.

6. Bölümler altında, yeni bir bölüm eklemek için seçeneğine tıklayın.

7. Aşağıdaki yükleme komut dosyasını düzenleyiciye yapıştırın.

8. Verileri dışa aktar'a tıklayın.

ApplyDataset_Transformed:

LOAD
    id,
    "date",
    text(store_nbr) as store_nbr,
    family,
    sales,
    onpromotion
FROM [lib://:DataFiles/ML - Multivariate forecasting - apply.csv]
(txt, codepage is 28591, embedded labels, delimiter is ',', msq);

Store [ApplyDataset_Transformed] into [lib://:DataFiles/Final transformed apply dataset.qvd](QVD);

Komut dosyası çalıştıktan sonra, yeni bir uygulama veri kümesi, Final transformed apply dataset.qvd, orijinal uygulama veri kümesiyle aynı alanda bulunmalıdır.

Tahminler oluşturma

Uyumlu bir uygulama veri kümeniz olduğuna göre, bunu ML dağıtımınızdan tahminler oluşturmak için kullanın.

Aşağıdakileri yapın:

1. Katalogda, Bir zaman serisi modelini dağıtma içinde oluşturduğunuz Satış tahmini dağıtımı dağıtımını açın.

2. Sağ alt köşede Tahmin oluştur seçeneğine tıklayın.

3. Sağ taraftaki Tahmin yapılandırması bölmesinde Uygulama verileri altında Uygulama veri kümesini seç'e tıklayın.

4. Uygulama veri kümesi dosyasını seçin: Final transformed apply dataset.qvd.

5. Eğitimin ve uygulama veri kümelerinin şemalarını karşılaştırın. Şema uyuşmazlığı hataları olmamalıdır.

6. Tahmin yapılandırması bölmesinde, Tahmin veri kümesini adlandır'a tıklayın. Şu adı yazın: ML - Sales predictions. Varsayılan Parquet formatını kullanın.

7. Bir alan seçip Onayla'ya tıklayın.

Kaydet ve kapat seçeneğinin yanındaki simgesine tıklayın. Şimdi kaydet ve tahmin et'e tıklayın.

İşlem, Veri kümesi tahminleri bölümünden izlenebilir. Görünen açılır pencerede Aç seçeneğine tıklayarak katalogda çıktıyı inceleyebilirsiniz.

Tahmin çalışmayı bitirdiğinde, tahminlerinizi görüntülemek için bir uygulama oluşturun. Sonraki konuya geçin.