時系列の概要

時系列エクスペリメントは、過去の観測値を使用して将来の値を予測する予測方法です。 この実験では、ランダム・フォレスト回帰やサポート・ベクトル・マシン (SVM) などの機械学習モデルと、ARIMA や Holt-Winters などの統計時系列モデルを使用して、多くのパイプラインが自動的に作成されます。 その後、テストでは、ホールドアウト・データ・セットまたはバックテスト・データ・セットで評価されたパイプライン・パフォーマンスに従って、最良のパイプラインを推奨します。

標準の AutoAI エクスペリメントとは異なります。AutoAI エクスペリメントでは、パイプラインのセットが完成するまで作成され、それらのパイプラインがランク付けされます。 時系列エクスペリメントは、プロセスの早い段階でパイプラインを評価し、最もパフォーマンスの高いパイプラインのみを完了してテストします。

時系列実験のトレーニングとテストのさまざまなステージについて詳しくは、 時系列実装の詳細を参照してください。

サポート機能を使用した予測の改善

時系列エクスペリメントを構成する際に、 サポート・フィーチャー( 外因性フィーチャーとも呼ばれます) を指定することを選択できます。 サポート特徴量とは、予測ターゲットに影響を与えたり、コンテキストを追加したりする特徴量です。 例えば、アイスクリームの売上を予測する場合、毎日の温度は、予測をより正確にするための論理的なサポート機能になります。

データ要件

時系列エクスペリメントをトレーニングするための現在のデータ要件は以下のとおりです。

• トレーニング・データは CSV 形式の単一ファイルでなければなりません。

• ファイルには、1 つ以上の時系列の列が含まれている必要があり、オプションでタイム・スタンプ列が含まれます。 サポートされる日時形式のリストについては、 AutoAI 時系列の実装の詳細を参照してください。

• データ・ソースにタイム・スタンプ列が含まれている場合は、データが一定の頻度でサンプリングされていることを確認してください。 つまり、隣接する行のタイム・スタンプの差は同一です。 例えば、データは 1 分、1 時間、または 1 日単位で増分することができます。 指定されたタイム・スタンプは、モデルの正確度を向上させるために遡及ウィンドウを決定するために使用されます。

  注:

  ファイル・サイズが 1 GB より大きい場合は、タイム・スタンプの順に 降順 でデータをソートします。エクスペリメントのトレーニングには、最初の 1 GB のみが使用されます。

• データ・ソースにタイム・スタンプ列が含まれていない場合は、データが定期的な間隔でサンプリングされ、サンプルの日付/時刻に従って 昇順 にソートされていることを確認してください。 つまり、最初の行の値が最も古いもので、最後の行の値が最も新しいものです。

  注: ファイル・サイズが 1 GB より大きい場合は、1 GB より小さくなるようにファイルを切り捨てます。

• 最終パイプラインをトレーニングする際に使用するデータを選択します。 トレーニング・データのみを含めることを選択した場合、生成されるノートブックには、各パイプラインの評価に使用されるホールドアウト・データを取得するためのセルが追加されます。

プロジェクトからデータを選択するか、ファイル・システムまたはアセット・ブラウザーからデータをアップロードして、 「続行」をクリックします。 データソース名の後にあるプレビューアイコン をクリックして、データを確認します。 オプションで、トレーニング済みパイプラインをテストするためのホールドアウト・データとして 2 番目のファイルを追加できます。

時系列エクスペリメントの構成

エクスペリメントの詳細を構成するときに、 「はい」 をクリックして 「時系列を有効にする」 を選択し、エクスペリメントの詳細を入力します。

予測の要約には、エクスペリメントのタイプと、エクスペリメントを最適化するために選択されたメトリックが表示されます。

エクスペリメント設定の構成

時系列エクスペリメントの詳細を構成するには、 「エクスペリメント設定」をクリックします。

データ・ソース設定の構成

入力データの詳細を構成するには、 「エクスペリメント設定」 をクリックし、 「データ・ソース」を選択します。

時系列データの構成

時系列データを構成するために、エクスペリメントの バックテスト に関連する時系列データの設定を調整できます。 バックテストは、履歴データを使用して時系列モデルを検証する手段を提供します。

通常の機械学習エクスペリメントでは、データの一部をランダムに保留にして、作成されたモデルの正確度をテストすることができます。 時系列モデルを検証するには、トレーニング・データとテスト・データの間の時間順の関係を保持する必要があります。

以下のステップでは、バックテスト方式について説明します。

1. トレーニング・データの長さが、バックテストの数、ギャップの長さ、およびホールドアウトのサイズに基づいて決定されます。 これらのパラメーターについて詳しくは、 時系列エクスペリメントの作成を参照してください。
2. 最も古いデータから始めて、テストはトレーニング・データを使用してトレーニングされます。
3. テストは、最初の検証データ・セットで評価されます。 ギャップの長さがゼロ以外の場合、ギャップ内のデータはスキップオーバーされます。
4. 新しいトレーニング・セットを形成するために、ホールドアウトのサイズとギャップの長さを増やすことにより、トレーニング・データ・ウィンドウを進めます。
5. 新しいエクスペリメントは、この新しいデータを使用してトレーニングされ、次の検証データ・セットを使用して評価されます。
6. 前の 2 つのステップは、残りのバックテスト期間についても繰り返されます。

バックテスト構成を調整するには、以下のようにします。

1. Experiment settingsを開きます。
2. 「データ・ソース」から、 「時系列」をクリックします。
3. (オプション): 表に示すように設定を調整します。

構成設定の視覚化は、バックテスト・フローを示しています。 グラフィックは対話式であるため、グラフィックまたは構成フィールドから設定を操作することができます。 例えば、ギャップの長さを調整することにより、バックテストの数を増やすことなく、より早期のデータ期間にモデル検証結果を確認できます。

エクスペリメント結果の解釈

時系列エクスペリメントを実行した後、結果のパイプラインを調べて、エクスペリメントの詳細についての洞察を得ることができます。 サポート・フィーチャーを使用するパイプラインは、サポート・フィーチャーを使用しないパイプラインと区別するために、SUP 機能拡張タグによって示されます。 詳細を表示するには、以下のようにします。

• 視覚化のノード上にカーソルを移動して、パイプラインの生成時にその詳細を表示します。
• 「進捗マップ (Progress Map)」ビューに切り替えて、トレーニング・プロセスの別のビューを表示します。 プロセス内の各ノード上にカーソルを移動すると、詳細が表示されます。
• 最終パイプラインが完了してリーダーボードに書き込まれた後に、パイプラインをクリックするとパフォーマンスの詳細を表示できます。
• 「破棄されたパイプラインの表示 (View discarded pipelines)」 をクリックして、上位パフォーマーとして選択されていないパイプラインに使用されるアルゴリズムを表示します。
• レビューできるノートブックとしての実験コードを保存します。
• レビュー可能なノートブックとして特定のパイプラインを保存します。

このビデオでは、トレーニングデータとホールドアウトデータを使用して時系列実験を実行し、Jupyterノートブックでモデルを作成する方法を紹介します。

このビデオは、本書の概念とタスクを学習するためのビジュアル・メソッドを提供します。

次のステップ

• ステップバイステップのチュートリアルに従って、 サンプル・データを使用して最低気温を予測するために 1 変量の時系列モデルをトレーニングします。
• ステップバイステップのチュートリアルに従って、 サポート機能を使用して時系列実験をトレーニングします。
• 展開された時系列モデルのスコアリングについて説明します。
• AutoAI 時系列実験用の APIの使用について説明します。

その他のリソース

• AutoAI時系列実験による予測の紹介は、ブログ記事'時間(シリーズ)通り：Watson Studio's 'AutoAI時系列の導入を参照。
• 時系列実験の作成についての詳細は、新しい時系列実験の作成についてのこのブログ記事を参照のこと。
• 時系列実験にサポート機能を追加するブログ記事を読む。
• 時系列実験のサンプルノートブックを、サポート機能とともに見直す。
• APIを使って時系列実験にサポート機能を追加するブログ記事を読む。

次のステップ

• チュートリアル: AutoAI 1 変量の時系列実験
• チュートリアル: AutoAI サポート機能の時系列実験
• 時系列エクスペリメント実装の詳細
• 時系列モデルのスコアリング

親トピック: AutoAI の概要