Bir zaman serisi modelinin konuşlandırılması

Bir modeli bir projeye kaydettikten sonra, modeli konuşlandırmak için aşağıdaki adımları izleyin:

1. Modeli proje varlığı listesinde bulun.
2. Modeli bir konuşlandırma alanına yükselt.
3. Bilgi yükü verilerini konuşlandırma alanına yükselt.
4. Konuşlandırma alanından bir konuşlandırma yaratın.

Puanlama noktaları

Bu noktaya kadar, bir zaman serisi modelinin devreye alınması, bir sınıflandırma ya da regresyon modelinin devreye alınması ile aynı adımları takip eder. Ancak, öngörülerin yapılandırılmış ve bir zaman serisi modelinde üretildiğinden, girişinizin model yapıtınızla eşleşmesi gerekir. Örneğin, bilgi yükünüzü yapılandırmaya ilişkin yol, tek bir sonuç (univariate) ya da birden çok sonuç (çok değişkenli) öngörmenize bağlı olup olmamanıza bağlıdır.

Bu üst düzey noktalara dikkat edin:

• Verilerinizdeki son satırdan sonraki ilk tahmini pencere satırını ya da satırlarını almak için boş bir bilgi yükü gönderin.
• Sonraki değeri almak için, boş bilgi yükü isteğinden sonraki puanlama isteğiniz olarak sonuç alın ve bu şekilde devam edin.
• Eğilimleri oluşturmak ve bir eğilimin ardından bir sonraki değeri tahmin etmek için girdi olarak birden çok satır gönderebilirsiniz.
• Birden çok öngörü sütununuz varsa, puanlama isteğinize göre her biri için bir değer eklemeniz gerekir.

Çevrimiçi bir devreye alma işlemi

Çevrimiçi bir konuşlandırma oluşturursanız, bir giriş formu kullanarak ya da JSON kodunu göndererek bilgi yükü verilerini geçirebilirsiniz. Bu örnekte, öngörüler oluşturmak için JSON kodunun nasıl yapılandırılacağı gösterilmektedir.

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

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

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

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

Yeni gözlemlere dayalı olarak tahmin edilmesi

Yeni gözlemler girmek istediğiniz önceki adıma dayalı olarak sonraki satırı tahmin etmek yerine, bir univariate modeli için bu gibi giriş verilerini girin:

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

Çok değişkenli bir model için bu gibi yeni gözlemler girin:

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

Burada 2, 4 ve 6, value1 ve 1, 3, 5 için gözlemler, value2ile ilgili gözlemlerdir.

Destekleyici özelliklere sahip bir zaman serisi modeli puanlaması

Modelinizi konuşlandırdıktan sonra, öngörü değerlerini almak için konuşlandırmanızı ayrıntılandıran sayfaya gidebilirsiniz. Dağıtımınızı test etmek için aşağıdaki yöntemlerden birini seçin:

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

Sonraki adımlar

AutoAI tarafından oluşturulan bir not defterinin saklanması (Watson Machine Learning)

Üst konu: Zaman serisi deneyinin oluşturulması