Wdrażanie modelu szeregów czasowych

Po zapisaniu modelu w projekcie wykonaj następujące kroki, aby wdrożyć model:

1. Znajdź model na liście zasobów aplikacyjnych projektu.
2. Awansowanie modelu do miejsca wdrożenia.
3. Promuj dane ładunku w obszarze wdrażania.
4. Z poziomu miejsca wdrożenia utwórz wdrożenie.

Uwagi dotyczące oceniania

W tym momencie, wdrażanie modelu szeregów czasowych następuje po tych samych krokach co wdrożenie modelu klasyfikacji lub regresji. Jednak ze względu na sposób, w jaki predykcje są ustrukturyzowane i generowane w modelu szeregów czasowych, dane wejściowe muszą być zgodne ze strukturą modelu. Na przykład sposób struktury ładunku zależy od tego, czy przewidywania pojedynczego wyniku (jednej zmiennej) lub wielu wyników (wielowarianty) są predykcyjne.

Należy zwrócić uwagę na następujące ogólne uwagi:

• Aby uzyskać pierwszy wiersz lub wiersze okna prognozy po ostatnim wierszu w danych, należy wysłać pusty ładunek.
• Aby uzyskać następną wartość, należy wysłać wynik z pustego żądania ładunku jako kolejne żądanie oceny, itd.
• Można wysłać wiele wierszy jako dane wejściowe, aby zbudować trendy i przewidzieć następną wartość po trendzie.
• Jeśli istnieje wiele kolumn predykcji, konieczne jest dołączenie wartości dla każdego z nich w żądaniu oceniania.

Ocenianie wdrożenia online

Jeśli zostanie utworzone wdrożenie w trybie z połączeniem, dane ładunku można przekazać za pomocą formularza wejściowego lub przez przesłanie kodu JSON. W tym przykładzie przedstawiono sposób tworzenia struktury kodu JSON w celu wygenerowania predykcji.

{
  "input_data": [
    {
      "fields": [
        "value1"
      ],
      "values": []
    }
  ]
}

{
    "predictions": [
        {
            "fields": [
                "prediction"
            ],
            "values": [
                [
                    12
                ]
            ]
        }
    ]
}

{
  "input_data": [
    {
      "fields": [
        "value1"
      ],
      "values": [
          [12]
          ]
    }
  ]
}

{
  "input_data": [
    {
      "fields": [
        "value1",
        "value2"
      ],
      "values": [
          [2, 1],
          ]
    }
  ]
}

Przewidywanie oparte na nowych obserwacjach

Jeśli zamiast predykowania następnego wiersza na podstawie poprzedniego kroku mają zostać wprowadzone nowe obserwacje, wprowadź dane wejściowe, takie jak w przypadku modelu univariate:

{
  "input_data": [
    {
      "fields": [
        "value1"
      ],
      "values": [
          [2],
          [4],
          [6]
          ]
    }
  ]
}

Wprowadź nowe obserwacje takie jak w przypadku modelu wielowariantu:

{
  "input_data": [
    {
      "fields": [
        "value1",
        "value2"
      ],
      "values": [
          [2, 1],
          [4, 3],
          [6, 5]
          ]
    }
  ]
}

Gdzie 2, 4 i 6 to obserwacje dla value1 i 1, 3, 5 to obserwacje dla value2.

Ocenianie modelu szeregów czasowych za pomocą funkcji obsługi

Po wdrożeniu modelu można przejść do strony szczegółowo dostosowanej do wdrożenia, aby uzyskać wartości predykcji. Aby przetestować wdrożenie, należy wybrać jeden z następujących sposobów:

{
        "input_data": [
                {
                        "id": "observations",
                        "values": [
                                [
                                        96.125,
                                        3.958,
                                        1026.833
                                ]
                        ]
                },
                {
                        "id": "supporting_features",
                        "values": [
                                [
                                        3.208,
                                        1020.667
                                ]
                        ]
                }
        ]
}

Dalsze kroki

Zapisywanie wygenerowanego notatnika AutoAI (Watson Machine Learning)

Temat nadrzędny: Budowanie eksperymentu szeregów czasowych