시계열 개요

시계열 실험은 히스토리 관측값을 사용하여 미래 값을 예측하는 예측 방법입니다. 이 실험은 랜덤 포리스트 회귀 및 SVM (Support Vector Machines) 과 같은 기계 학습 모델과 ARIMA및 Holt-Winters와 같은 통계 시계열 모델을 사용하여 많은 파이프라인을 자동으로 빌드합니다. 그런 다음 실험은 검증 데이터 세트 또는 백테스트 데이터 세트에서 평가된 파이프라인 성능에 따라 최상의 파이프라인을 권장합니다.

완료할 파이프라인 세트를 빌드한 후 순위를 지정하는 표준 AutoAI 실험과는 다릅니다. 시계열 실험은 프로세스의 초기에 파이프라인을 평가하고 최상의 성능을 수행하는 파이프라인만 완료하고 테스트합니다.

시계열 실험을 훈련 및 테스트하는 다양한 단계에 대한 자세한 내용은 시계열 구현 세부사항을 참조하십시오.

지원 기능을 사용하여 예측 개선

시계열 실험을 구성할 때 외부 기능이라고도 하는 지원 기능을 지정하도록 선택할 수 있습니다. 지원 기능은 예측 대상에 컨텍스트를 추가하거나 영향을 주는 기능입니다. 예를 들어, 아이스크림 판매를 예측하는 경우, 일일 온도는 예측을 더 정확하게 하는 논리적 지원 기능이 될 수 있습니다.

데이터 요구사항

다음은 시계열 실험을 훈련하기 위한 현재 데이터 요구사항입니다.

• 훈련 데이터는 CSV 형식의 단일 파일이어야 합니다.

• 파일에는 하나 이상의 시계열 열이 포함되어야 하며 선택적으로 시간소인 열이 포함됩니다. 지원되는 날짜/시간 형식 목록은 AutoAI 시계열 구현 세부사항을 참조하십시오.

• 데이터 소스에 시간소인 컬럼이 있는 경우 데이터가 일정한 빈도로 샘플링되는지 확인하십시오. 즉, 인접 행의 시간소인 차이가 동일합니다. 예를 들어, 데이터의 증분은 1분, 1시간또는 1일일 수 있습니다. 지정된 시간소인은 모델 정확성을 향상시키기 위해 이전 검색 창을 판별하는 데 사용됩니다.

  참고:

  파일 크기가 1GB보다 큰 경우 데이터를 시간소인에 따라 내림차순 으로 정렬하십시오. 실험을 훈련하는 데 처음 1GB만 사용됩니다.

• 데이터 소스에 시간소인 열이 포함되지 않은 경우, 데이터가 정기적으로 샘플링되고 샘플 날짜/시간에 따라 오름차순 으로 정렬되는지 확인하십시오. 즉, 첫 번째 행의 값은 가장 오래된 값이고 마지막 행의 값은 가장 최근 값입니다.

  참고: 파일 크기가 1GB보다 큰 경우 1GB보다 작도록 파일을 자르십시오.

• 최종 파이프라인 교육 시 사용할 데이터를 선택하십시오. 교육 데이터만 포함하도록 선택하는 경우 생성된 노트북에는 각 파이프라인을 평가하는 데 사용되는 검증용 데이터를 검색하기 위한 셀이 포함됩니다.

프로젝트에서 데이터를 선택하거나 파일 시스템 또는 자산 브라우저에서 데이터를 업로드한 후 계속을 클릭하십시오. 데이터 원본 이름 뒤에 있는 미리 보기 클릭하여 데이터를 검토합니다. 선택적으로 훈련된 파이프라인을 테스트하기 위한 홀드아웃 데이터로 두 번째 파일을 추가할 수 있습니다.

시계열 실험 구성

실험에 대한 세부사항을 구성할 때 예 를 눌러 시계열 사용 으로 설정하고 실험 세부사항을 완료하십시오.

예측 요약은 실험을 최적화하기 위해 선택되는 메트릭 및 실험 유형을 표시합니다.

실험 설정 구성

시계열 실험에 대한 세부사항을 구성하려면 실험 설정을 클릭하십시오.

데이터 소스 설정 구성

입력 데이터에 대한 세부사항을 구성하려면 실험 설정 을 클릭하고 데이터 소스를 선택하십시오.

시계열 데이터 구성

시계열 데이터를 구성하기 위해 실험 백테스트 와 관련된 시계열 데이터에 대한 설정을 조정할 수 있습니다. 백테스트는 히스토리 데이터를 사용하여 시계열 모델의 유효성을 검증하는 방법을 제공합니다.

일반적인 기계 학습 실험에서는 데이터의 일부를 무작위로 보류하여 결과 모델의 정확성을 테스트할 수 있습니다. 시계열 모델의 유효성을 검증하려면 훈련 데이터와 테스트 데이터 간의 시간 순서 관계를 유지해야 합니다.

다음 단계는 백테스트 방법을 설명합니다.

1. 훈련 데이터 길이는 백테스트 수, 간격 길이 및 홀드아웃 크기를 기반으로 판별됩니다. 이러한 매개변수에 대해 자세히 학습하려면 시계열 실험 빌드를 참조하십시오.
2. 가장 오래된 데이터에서 시작하여 실험은 훈련 데이터를 사용하여 훈련됩니다.
3. 실험은 첫 번째 유효성 검증 데이터 세트에서 평가됩니다. 갭 길이가 0이 아닌 경우 갭의 모든 데이터를 건너뜁니다.
4. 훈련 데이터 창은 새 훈련 세트를 구성하기 위해 홀드아웃 크기 및 간격 길이를 늘려 진행됩니다.
5. 새로운 실험은 이 새 데이터를 사용하여 훈련되고 다음 유효성 검증 데이터 세트를 사용하여 평가됩니다.
6. 이전의 두 단계는 나머지 역테스트 기간 동안 반복됩니다.

백테스트 구성을 조정하려면 다음을 수행하십시오.

1. 실험 설정을 여십시오.
2. 데이터 소스에서 시계열을 클릭하십시오.
3. (선택사항): 표에 표시된 대로 설정을 조정하십시오.

구성 설정에 대한 시각화는 백테스팅 플로우를 설명합니다. 그래픽은 대화식이므로 그래픽 또는 구성 필드에서 설정을 조작할 수 있습니다. 예를 들어, 간격 길이를 조정하면 백테스트 수를 늘리지 않고도 데이터의 이전 기간에 대한 모델 유효성 검증 결과를 볼 수 있습니다.

실험 결과 해석

시계열 실험을 실행한 후 결과 파이프라인을 검사하여 실험 세부사항에 대한 인사이트를 얻을 수 있습니다. 지원 기능을 사용하는 파이프라인은 이러한 기능을 사용하지 않는 파이프라인과 구별하기 위해 SUP 개선사항 태그로 표시됩니다. 세부사항을 보려면 다음을 수행하십시오.

• 시각화의 노드 위로 마우스를 이동하여 생성되는 파이프라인에 대한 세부사항을 보십시오.
• 훈련 프로세스의 다른 보기를 보려면 진행 맵 보기로 전환하십시오. 프로세스의 각 노드 위로 마우스를 이동하여 세부사항을 볼 수 있습니다.
• 최종 파이프라인이 완료되고 리더보드에 기록된 후 파이프라인을 클릭하여 성능 세부사항을 볼 수 있습니다.
• 최상위 수행자로 선택되지 않은 파이프라인에 사용되는 알고리즘을 보려면 버려진 파이프라인 보기 를 클릭하십시오.
• 실험 코드를 검토할 수 있는 노트북으로 저장하십시오.
• 특정 파이프라인을 검토할 수 있는 노트북으로 저장하십시오.

훈련 및 홀드아웃 데이터를 사용하여 Jupyter 노트북에서 시계열 실험을 실행하고 모델을 작성하는 방법을 보려면 이 비디오를 시청하십시오.

이 비디오는 이 문서의 개념 및 태스크를 학습하기 위한 시각적 방법을 제공합니다.

다음 단계

• 샘플 데이터를 사용하여 최소 온도를 예측하기 위해 일변량 시계열 모델 훈련을 수행하려면 단계별 학습서를 따르십시오.
• 단계별 학습에 따라 지원 기능을 사용하여 시계열 실험 훈련을 수행하십시오.
• 배치된 시계열 모델 스코어링에 대해 학습하십시오.
• AutoAI 시간 시리즈 실험용 API사용에 대해 학습하십시오.

추가 자원

• ' AutoAI 시계열 실험을 통한 예측에 대한 소개는 블로그 게시물 ' 바로 시간(시리즈): ' Watson Studio'의 ' AutoAI 시계열을 소개합니다'를 참조하세요.
• 시계열 실험을 만드는 방법에 대한 자세한 내용은 새 시계열 실험 만들기에 대한 이 블로그 게시물을 참조하세요.
• 시계열 실험에 지원 기능을 추가하는 방법에 대한 블로그 게시물을 읽어보세요.
• 지원 기능이 있는 시계열 실험을 위한 샘플 노트북을 검토하세요.
• API를 사용하여 시계열 실험에 지원 기능을 추가하는 방법에 대한 블로그 게시물을 읽어보세요.

다음 단계

• 학습서: AutoAI 일변량 시계열 실험
• 학습서: AutoAI 지원 기능 시계열 실험
• 시계열 실험 구현 세부사항
• 시계열 모델 스코어링

상위 주제: AutoAI 개요