Translation not up to date
Poté, co uložíte kolonu časové řady AutoAI jako model, můžete implementovat a namodelovat model, abyste předpovídají nové hodnoty.
Implementace modelu časové řady
Po uložení modelu do projektu postupujte podle kroků k implementaci modelu:
- Vyhledejte model v seznamu aktiv projektu.
- Povyšte model na prostor implementace.
- Povýšit data informačního obsahu do prostoru implementace.
- Z prostoru implementace vytvořte implementaci.
Aspekty přidělení skóre
Do tohoto bodu se implementace modelu časové řady řídí stejnými kroky jako implementace klasifikačního nebo regresního modelu. Vzhledem k tomu, že jsou predikce strukturovány a generovány v modelu časové řady, musí váš vstup odpovídat vaší struktuře modelu. Například způsob struktury informačního obsahu závisí na tom, zda předpovídáte jeden výsledek (univariate) nebo více výsledků (multivariantní).
Všimněte si těchto pokynů vysoké úrovně:
- Chcete-li získat první řádek nebo řádky v okně prognózy po posledním řádku vašich dat, odešlete prázdný informační obsah.
- Chcete-li získat další hodnotu, odešlete výsledek z prázdného požadavku informačního obsahu jako váš další požadavek na přidělení skóre, a tak dále.
- Můžete odeslat více řádků jako vstup, chcete-li sestavit trendy a předpovědět další hodnotu po trendu.
- Pokud máte více sloupců predikce, musíte zahrnout hodnotu pro každou z nich v požadavku na přidělení skóre.
přidělení online implementace
Pokud vytvoříte online nasazení, můžete předat data informačního obsahu pomocí vstupního formuláře nebo odesláním kódu JSON. Tento příklad ukazuje, jak strukturovat kód JSON pro generování předpovědí.
Předpovídání jednotlivé hodnoty
V nejjednodušším případě, vzhledem k těmto ukázkovým datům, se pokoušíte předpovědět další krok value1 s oknem prognózy 1, což znamená, že každá predikce bude jediným krokem (řádkem).
| časové razítko | value1 |
|---|---|
| 2015-02026 21:42 | 2 |
| 2015-02026 21:47 | 4 |
| 2015-02026 21:52 | 6 |
| 2015-02026 21:57 | 8 |
| 2015-02026 22:02 | 10 |
Musíte předat prázdný záznam jako vstupní data pro požadování první předpovědi, která je strukturována takto:
{
"input_data": [
{
"fields": [
"value1"
],
"values": []
}
]
}
Výstup, který je vrácen, předpovídá následující krok v modelu:
{
"predictions": [
{
"fields": [
"prediction"
],
"values": [
[
12
]
]
}
]
}
Následující vstup předá výsledek předchozího výstupu, aby předpověděl další krok:
{
"input_data": [
{
"fields": [
"value1"
],
"values": [
[12]
]
}
]
}
Predikování více hodnot
V tomto případě předpovídáte dva cíle, value1 a value2.
| časové razítko | value1 | value2 |
|---|---|---|
| 2015-02026 21:42 | 2 | 1 |
| 2015-02026 21:47 | 4 | 3 |
| 2015-02026 21:52 | 6 | 5 |
| 2015-02026 21:57 | 8 | 7 |
| 2015-02026 22:02 | 10 | 9 |
Vstupní data musí i nadále předávat prázdný záznam, aby bylo možné vyžádat si první předpověď. Další vstup by měl být strukturován takto:
{
"input_data": [
{
"fields": [
"value1",
"value2"
],
"values": [
[2, 1],
]
}
]
}
Předpovídání na základě nových pozorování
Pokud místo předpovídání dalšího řádku na základě předchozího kroku, který chcete vložit do nového pozorování, zadejte vstupní data jako tato pro jednovacemicový model:
{
"input_data": [
{
"fields": [
"value1"
],
"values": [
[2],
[4],
[6]
]
}
]
}
Zadejte nové pozorování jako tento pro vícerozměrný model:
{
"input_data": [
{
"fields": [
"value1",
"value2"
],
"values": [
[2, 1],
[4, 3],
[6, 5]
]
}
]
}
Kde 2, 4, a 6 jsou pozorování pro value1 a 1, 3, 5 jsou pozorování pro value2.
přidělení modelu časových řad s doprovodnými funkcemi
Po implementaci modelu můžete přejít na stránku s podrobnostmi o implementaci za účelem získání hodnot předpovědi. Vyberte jeden z následujících způsobů, jak otestovat vaši implementaci:
Použití existujících vstupních hodnot
Existující vstupní hodnoty ve své datové sadě můžete použít k získání hodnot předpovědí. Chcete-li získat sadu hodnot předpovědí, klepněte na tlačítko Predict . Celkový počet hodnot předpovědi ve výstupu je definován horizontem předpovědí, který jste již nastavili během fáze konfigurace experimentu.
Použití nových vstupních hodnot
Můžete se rozhodnout naplnit tabulku novými vstupními hodnotami nebo použít kód JSON k získání předpovědi.
Použití tabulkového kalkulátoru k poskytnutí nových vstupních dat pro předpovídání hodnot
Chcete-li přidat vstupní data do tabulky Nové pozorování (volitelné) , vyberte kartu Vstup a proveďte jednu z následujících možností:
- Klepnutím na volbu Procházet lokální souborypřidejte již existující soubor .csv obsahující nová pozorování z lokálního adresáře.
- Stáhněte šablonu vstupního souboru klepnutím na volbu Stáhnout šablonu CSV, zadejte hodnoty a odešlete soubor.
- Použijte existující datové aktivum z vašeho projektu klepnutím na volbu Hledat v prostoru.
- Ručně zadejte vstupní pozorování do tabulky.
Můžete také poskytnout budoucí hodnoty pro Podpůrné funkce, pokud jste dříve umožnili svůj experiment využívat tyto hodnoty během fáze konfigurace experimentu. Ujistěte se, že jste tyto hodnoty přidali do tabulky Budoucí podpůrné funkce (volitelné) .
Použití kódu JSON k poskytnutí vstupních dat
Chcete-li přidat vstupní data pomocí kódu JSON, vyberte kartu Vložit JSON a proveďte jednu z následujících možností:
- Klepnutím na volbu Procházet lokální souborypřidejte existující soubor JSON obsahující nová pozorování z lokálního adresáře.
- Použijte existující datové aktivum z vašeho projektu klepnutím na volbu Hledat v prostoru.
- Ručně zadejte nebo vložte kód JSON do editoru.
V této ukázce kódu je sloupec predikce pollutiona podpůrné funkce jsou temp a press.
{
"input_data": [
{
"id": "observations",
"values": [
[
96.125,
3.958,
1026.833
]
]
},
{
"id": "supporting_features",
"values": [
[
3.208,
1020.667
]
]
}
]
}
Další kroky
Uložení notebooku generovaného AutoAI (Watson Machine Learning)
Nadřízené téma: Sestavení experimentu časových řad