Ein Zeitreihen-Experiment erstellen

Verwenden Sie „ AutoAI “, um ein Zeitreihen-Experiment zu erstellen, mit dem Sie zukünftige Entwicklungen, wie beispielsweise Aktienkurse oder Temperaturen, über einen bestimmten Zeitraum hinweg vorhersagen können.

Übersicht über Zeitreihen

Ein Zeitreihen-Experiment ist eine Prognosemethode, bei der historische Beobachtungen herangezogen werden, um zukünftige Werte vorherzusagen. Das Experiment erstellt automatisch zahlreiche Pipelines unter Verwendung von Modellen des maschinellen Lernens, wie beispielsweise Random-Forest-Regression und Support-Vector-Machines (SVMs), sowie statistischen Zeitreihenmodellen wie ARIMA und Holt-Winters. Anschließend empfiehlt das Experiment die beste Pipeline auf der Grundlage der Pipeline-Leistung, die anhand eines Holdout-Datensatzes oder von Backtest-Datensätzen bewertet wurde.

Im Gegensatz zu einem Standard-Experiment bei „ AutoAI “, bei dem zunächst eine Reihe von Pipelines bis zum Abschluss erstellt und anschließend bewertet werden. Bei einem Zeitreihen-Experiment werden Pipelines bereits in einer frühen Phase des Prozesses bewertet, und nur die leistungsstärksten Pipelines werden fertiggestellt und getestet.

AutoAI Prozess zur Erstellung einer Zeitreihen-Pipeline

Weitere Informationen zu den verschiedenen Phasen des Trainings und der Überprüfung eines Zeitreihen-Experiments finden Sie unter „Details zur Implementierung von Zeitreihen “.

Nutzung von Hilfsfunktionen zur Verbesserung der Vorhersagen

Wenn Sie Ihr Zeitreihenexperiment konfigurieren, können Sie zusätzliche Merkmale, auch als exogene Merkmale bezeichnet, angeben. Merkmale sind Merkmale, die das Vorhersageziel beeinflussen oder ihm einen Kontext verleihen. Wenn Sie beispielsweise den Verkauf von Speiseeis prognostizieren, wäre die tägliche Temperatur ein logisches Zusatzmerkmal, das die Prognose genauer machen würde.

Nutzung von Zukunftswerten zur Unterstützung von Funktionen

Wenn Sie die zukünftigen Werte der unterstützenden Merkmale kennen, können Sie diese bei der Bereitstellung des Modells nutzen. Wenn Sie beispielsweise ein Modell trainieren, um die zukünftigen T-Shirt-Verkäufe vorherzusagen, können Sie Aktionsrabatte als zusätzliches Merkmal einbeziehen, um die Vorhersage zu verbessern. Durch die Eingabe des zukünftigen Werts der Werbeaktion wird die Prognose genauer.

Datenanforderungen

Dies sind die aktuellen Datenanforderungen für das Training eines Zeitreihen-Experiments:

  • Die Trainingsdaten müssen in einer einzigen Datei im Format „ CSV “ vorliegen.

  • Die Datei muss eine oder mehrere Zeitreihenspalten enthalten und kann optional eine Zeitstempelspalte enthalten. Eine Liste der unterstützten Datums- und Zeitformate finden Sie unter AutoAI time series implementation details.

  • Wenn die Datenquelle eine Zeitstempelspalte enthält, stellen Sie sicher, dass die Daten in gleichmäßigen Zeitabständen erfasst werden. Das heißt, die Differenz der Zeitstempel benachbarter Zeilen ist gleich. Die Daten können beispielsweise in Schritten von 1 Minute, 1 Stunde oder 1 Tag vorliegen. Der angegebene Zeitstempel dient zur Festlegung des Rückblickfensters, um die Modellgenauigkeit zu verbessern.

    Hinweis:

    Wenn die Dateigröße mehr als 1 GB beträgt, sortiere die Daten in absteigender Reihenfolge nach dem Zeitstempel, und verwende nur die ersten 1 GB für das Training des Experiments.

  • Falls die Datenquelle keine Zeitstempelspalte enthält, stellen Sie sicher, dass die Daten in regelmäßigen Abständen erfasst und nach dem Erfassungsdatum bzw. der Erfassungszeit in aufsteigender Reihenfolge sortiert werden. Das heißt, der Wert in der ersten Zeile ist der älteste, und der Wert in der letzten Zeile ist der aktuellste.

    Hinweis: Wenn die Datei größer als 1 GB ist, kürzen Sie sie so, dass sie kleiner als 1 GB wird.

  • Wählen Sie aus, welche Daten beim Trainieren der endgültigen Pipelines verwendet werden sollen. Wenn Sie sich dafür entscheiden, nur Trainingsdaten einzubeziehen, enthalten die generierten Notebooks eine Zelle zum Abrufen der Holdout-Daten, die zur Bewertung der einzelnen Pipelines verwendet werden.

Wählen Sie Daten aus Ihrem Projekt aus oder laden Sie sie aus Ihrem Dateisystem oder aus dem Asset-Browser hoch, und klicken Sie dann auf „Weiter “. Klicken Sie auf das Vorsch ausymbol hinter dem alt="AutoAI Symbol für die Vorschau des Datensatzes"Namen der Datenquelle, um Ihre Daten anzusehen. Optional können Sie eine zweite Datei als Testdaten zum Testen der trainierten Pipelines hinzufügen.

Auswahl einer Rechnerkonfiguration

Wenn Sie Ihr Experiment konfigurieren, können Sie eine Rechenkonfiguration auswählen, die die Rechenressourcen für Ihr Experiment bereitstellt. Die von Ihnen gewählte Konfiguration bestimmt, wie viele Vorhersageziele und unterstützende Merkmale Ihr Experiment umfassen kann.

Systemkonfiguration Ressourcen Grenzwerte
Mittel 4 CPU-Kerne und 16 GB bis zu 5 Spalten für Vorhersagen und unterstützende Merkmale
Groß 8-Kern-CPU und 32 GB bis zu 10 Spalten für Vorhersagen und unterstützende Merkmale
Extra groß 16-Kern-CPU und 64 GB bis zu 20 Spalten für Vorhersage- und Hilfsmerkmale

Ein Zeitreihen-Experiment konfigurieren

Wenn Sie die Details für ein Experiment konfigurieren, klicken Sie auf „Ja“, um Zeitreihen zu aktivieren, und vervollständigen Sie die Experimentdetails.

Feld Beschreibung
Prognosespalten Die Zeitreihenspalten, für die Sie auf der Grundlage der vorherigen Werte eine Prognose erstellen möchten. Sie können eine oder mehrere Spalten für die Vorhersage angeben.
Spalte „Datum/Uhrzeit“ Die Spalte, die das Datum und die Uhrzeit angibt, zu denen die Zeitreihenwerte auftreten.
Rückblickzeitraum Ein Parameter, der angibt, wie viele Werte aus früheren Zeitreihen zur Vorhersage des aktuellen Zeitpunkts herangezogen werden.
Vorhersagefenster Der Bereich, den Sie auf der Grundlage der Daten im Rückblickfenster vorhersagen möchten.

Die Zusammenfassung der Vorhersagen zeigt Ihnen den Experimenttyp und die Metrik an, die für die Optimierung des Experiments ausgewählt wurde.

Konfigurieren der Versuchseinstellungen

Um weitere Details für Ihr Zeitreihen-Experiment zu konfigurieren, klicken Sie auf „Experiment-Einstellungen “.

Allgemeine Vorhersageeinstellungen

Auf der Registerkarte „Allgemein“ der Vorhersageeinstellungen können Sie optional die zur Optimierung des Experiments verwendete Metrik ändern oder die zu berücksichtigenden Algorithmen sowie die Anzahl der zu generierenden Pipelines festlegen.

Feld Beschreibung
Vorhersagetyp Zeigen Sie den Vorhersagetyp basierend auf der Vorhersagespalte für Ihr Experiment an oder ändern Sie ihn. Bei Zeitreihen-Experimenten ist standardmäßig die Zeitreihenprognose ausgewählt.
Hinweis: Wenn Sie den Vorhersagetyp ändern, werden andere Vorhersageeinstellungen für Ihr Experiment automatisch angepasst.
Optimierte Metrik Zeigen Sie die empfohlene optimierte Metrik für Ihr Experiment an oder ändern Sie sie.
Optimierte Algorithmusauswahl Wird bei Zeitreihen-Experimenten nicht unterstützt.
Zu berücksichtigende Algorithmen Wählen Sie die Algorithmen aus, auf deren Grundlage Ihr Experiment Pipelines erstellen soll. Algorithmen und Pipelines, die die Verwendung von Hilfsmerkmalen unterstützen, sind mit einem Häkchen gekennzeichnet.
Noch zu fertigstellende Leitungen Zeigen Sie die Anzahl der für Ihr Experiment zu generierenden Pipelines an oder ändern Sie sie.

Details zur Konfiguration der Zeitreihen

Konfigurieren Sie im Bereich „Zeitreihen“ unter den Vorhersageeinstellungen die Details zum Trainieren des Experiments und zum Erstellen von Vorhersagen.

Feld Beschreibung
Spalte „Datum/Uhrzeit“ Die Spalte „Datum/Uhrzeit“ für das Experiment anzeigen oder ändern.
Rückblickzeitraum Die Anzahl der Werte aus früheren Zeitreihen anzeigen oder aktualisieren, die zur Vorhersage des aktuellen Zeitpunkts herangezogen werden.
Vorhersagefenster Zeigen Sie den Bereich an, auf dessen Grundlage Sie eine Prognose erstellen möchten, oder aktualisieren Sie ihn.

Konfigurieren der Datenquelleneinstellungen

Um die Details für Ihre Eingabedaten zu konfigurieren, klicken Sie auf „Experiment-Einstellungen“ und wählen Sie „Datenquelle“ aus.

Allgemeine Einstellungen für Datenquellen

Auf der Registerkarte „Allgemein“ für die Datenquelleneinstellungen können Sie Ihren Datensatz so anpassen, dass fehlende Werte interpoliert werden, den Datensatz in Trainings- und Testdaten aufteilen und zusätzliche Merkmale eingeben.

Feld Beschreibung
Doppelte Zeilen Wird bei Zeitreihen-Experimenten nicht unterstützt.
Teilstichprobendaten Wird bei Zeitreihen-Experimenten nicht unterstützt.
Text-Feature-Engineering Wird bei Zeitreihen-Experimenten nicht unterstützt.
Verarbeitung von Datum und Uhrzeit Standardmäßig aktiviert, um Datumsspalten zu erkennen und neue Spalten für verschiedene Arten von Aggregationen im Datums-/Zeitformat hinzuzufügen. Normalerweise würden Sie diese Option nur deaktivieren, wenn Sie eine Datums-/Uhrzeitspalte als ID und nicht als Datums-/Uhrzeitwert verwenden möchten.
Endgültiger Trainingsdatensatz Wählen Sie aus, welche Daten beim Trainieren der endgültigen Pipelines verwendet werden sollen: nur die Trainingsdaten oder sowohl die Trainings- als auch die Holdout-Daten. Wenn Sie sich dafür entscheiden, nur Trainingsdaten einzubeziehen, enthalten die für dieses Experiment generierten Notebooks eine Zelle zum Abrufen der Holdout-Daten, die zur Bewertung der einzelnen Pipelines verwendet werden.
Unterstützende Funktionen Wählen Sie zusätzliche Spalten aus Ihrem Datensatz als unterstützende Merkmale aus, um Vorhersagen zu untermauern und die Genauigkeit Ihres Modells zu verbessern. Sie können auch zukünftige Werte für unterstützende Merkmale verwenden, indem Sie die Option „Zukünftige Werte von unterstützenden Merkmalen nutzen“ aktivieren.
Hinweis: Unterstützende Funktionen können nur mit ausgewählten Algorithmen und Pipelines verwendet werden. Weitere Informationen zu Algorithmen und Pipelines, die die Verwendung von Hilfsmerkmalen unterstützen, finden Sie unter „Details zur Implementierung von Zeitreihen “.
Datenimputation Verwenden Sie die Datenimputation, um fehlende Werte in Ihrem Datensatz durch Ersatzwerte zu ersetzen. Wenn Sie diese Option aktivieren, können Sie festlegen, wie fehlende Werte in Ihren Daten interpoliert werden sollen. Weitere Informationen zur Datenimputation finden Sie unter „Datenimputation in Experimenten mit dem „ AutoAI “.
Trainings- und Testdaten Wählen Sie aus, ob Sie einen Teil Ihres Trainingsdatensatzes für die Überprüfung des Experiments reservieren möchten. Sie können die Holdout-Daten als Prozentsatz der Trainingsdaten oder als Anzahl von Datenzeilen angeben. Die Holdout-Daten sollten nicht mehr als ein Drittel der Trainingsdaten ausmachen. Alternativ können Sie eine separate Datei mit Holdout-Daten hochladen. Die Holdout-Datendatei muss mit dem Schema der Trainingsdaten übereinstimmen.

Konfigurieren von Zeitreihendaten

Um die Zeitreihendaten zu konfigurieren, können Sie die Einstellungen für die Zeitreihendaten anpassen, die für das Backtesting des Experiments relevant sind. Das Backtesting bietet eine Möglichkeit, ein Zeitreihenmodell anhand historischer Daten zu validieren.

In einem typischen Experiment im Bereich des maschinellen Lernens kann man einen Teil der Daten nach dem Zufallsprinzip zurückhalten, um die Genauigkeit des resultierenden Modells zu überprüfen. Um ein Zeitreihenmodell zu validieren, muss die zeitliche Reihenfolge zwischen den Trainingsdaten und den Testdaten beibehalten werden.

Die folgenden Schritte beschreiben die Backtest-Methode:

  1. Die Länge des Trainingsdatensatzes wird anhand der Anzahl der Backtests, der Lückenlänge und der Größe des Holdout-Satzes bestimmt. Weitere Informationen zu diesen Parametern finden Sie unter „Erstellen eines Zeitreihen-Experiments “.
  2. Ausgehend von den ältesten Daten wird das Modell anhand der Trainingsdaten trainiert.
  3. Das Experiment wird anhand des ersten Validierungsdatensatzes bewertet. Wenn die Lückenlänge ungleich Null ist, werden alle Daten in der Lücke übersprungen.
  4. Das Trainingsdatenfenster wird durch Erhöhen der Holdout-Größe und der Lückenlänge weitergeschoben, um einen neuen Trainingssatz zu bilden.
  5. Ein neues Modell wird mit diesen neuen Daten trainiert und anhand des nächsten Validierungsdatensatzes bewertet.
  6. Die beiden vorangegangenen Schritte werden für die verbleibenden Backtesting-Zeiträume wiederholt.

So passen Sie die Backtesting-Konfiguration an:

  1. Öffnen Sie die Experiment-Einstellungen.
  2. Klicken Sie unter „Datenquellen “ auf „Zeitreihen “.
  3. (Optional): Passen Sie die Einstellungen wie in der Tabelle angegeben an.
Feld Beschreibung
Anzahl der Backtests Das Backtesting ähnelt der Kreuzvalidierung für bestimmte Zeiträume. Sie können die Anzahl der Backtests für Ihr Experiment nach Belieben anpassen.
Penetrationswiderstand Die Größe des Holdout-Satzes und jedes Validierungssatzes für das Backtesting. Die Validierungslänge lässt sich durch Ändern der Holdout-Länge anpassen.
Spaltlänge Die Anzahl der Zeitpunkte zwischen dem Trainingsdatensatz und dem Validierungsdatensatz für jeden Backtest. Wenn der Parameterwert ungleich Null ist, werden die Zeitreihenwerte in der Lücke nicht zum Trainieren des Experiments oder zur Auswertung des aktuellen Backtests herangezogen.

Einstellungen für Experimente auf der Seite „Datenquelle“

Die Visualisierung der Konfigurationseinstellungen veranschaulicht den Ablauf des Backtestings. Die Grafik ist interaktiv, sodass Sie die Einstellungen direkt in der Grafik oder über die Konfigurationsfelder anpassen können. Wenn Sie beispielsweise die Länge des Zeitraums anpassen, können Sie die Ergebnisse der Modellvalidierung für frühere Zeiträume der Daten einsehen, ohne die Anzahl der Backtests zu erhöhen.

Auswertung der Versuchsergebnisse

Nachdem Sie Ihr Zeitreihen-Experiment durchgeführt haben, können Sie die daraus resultierenden Pipelines untersuchen, um Einblicke in die Details des Experiments zu gewinnen. Pipelines, die unterstützende Funktionen nutzen, werden durch das SUP-Erweiterungs-Tag gekennzeichnet, um sie von Pipelines zu unterscheiden, die diese Funktionen nicht nutzen. So zeigen Sie Details an:

  • Bewegen Sie den Mauszeiger über die Knoten in der Visualisierung, um Details zu den Pipelines zu erhalten, während diese generiert werden.
  • Wechseln Sie zur Ansicht „Fortschrittskarte“, um eine andere Darstellung des Trainingsverlaufs zu sehen. Wenn Sie den Mauszeiger über die einzelnen Knoten im Prozess bewegen, werden Details angezeigt.
  • Nachdem die letzten Pipelines abgeschlossen und in die Rangliste eingetragen wurden, können Sie auf eine Pipeline klicken, um die Leistungsdetails anzuzeigen.
  • Klicken Sie auf „Verworfene Pipelines anzeigen“, um die Algorithmen anzuzeigen, die für die Pipelines verwendet werden, die nicht als leistungsstärkste ausgewählt wurden.
  • Speichere den Experimentcode als Notizbuch, damit du ihn später noch einmal durchsehen kannst.
  • Speichern Sie eine bestimmte Pipeline als Notizbuch, das Sie später einsehen können.

Sehen Sie sich dieses Video an, um zu erfahren, wie Sie ein Zeitreihen-Experiment durchführen und in einem Jupyter-Notebook ein Modell erstellen, wobei Sie Trainings- und Holdout-Daten verwenden.

Dieses Video bietet eine anschauliche Möglichkeit, die Konzepte und Aufgaben in dieser Dokumentation kennenzulernen.

Weitere Schritte

Weitere Ressourcen

Weitere Schritte