Valutazione di un modello di serie temporale

Implementazione di un modello di serie temporali

Dopo aver salvato un modello in un progetto, segui questi passaggi per implementarlo:

1. Trova il modello nell'elenco delle risorse del progetto.
2. Promuovi il modello in uno spazio di distribuzione.
3. Trasferire i dati del carico utile nello spazio di distribuzione.
4. Dallo spazio di distribuzione, crea una distribuzione.

Considerazioni relative al punteggio

A questo punto, l'implementazione di un modello di serie temporali segue gli stessi passaggi dell'implementazione di un modello di classificazione o di regressione. Tuttavia, dato il modo in cui le previsioni vengono strutturate e generate in un modello di serie temporali, i dati inseriti devono corrispondere alla struttura del modello. Ad esempio, il modo in cui si struttura il payload dipende dal fatto che si stia prevedendo un singolo risultato (univariato) o più risultati (multivariato).

Si prega di tenere presenti le seguenti considerazioni generali:

• Per ottenere la prima riga o le prime righe della finestra di previsione successive all'ultima riga dei dati, inviare un payload vuoto.
• Per ottenere il valore successivo, invia il risultato della richiesta con payload vuoto come tua prossima richiesta di valutazione, e così via.
• È possibile inviare più righe come input per individuare le tendenze e prevedere il valore successivo in base a una tendenza.
• Se sono presenti più colonne di previsione, è necessario includere un valore per ciascuna di esse nella richiesta di punteggio
• Quando si configura l'implementazione, è possibile specificare un valore per "Passi in anticipo" per modificare il numero di passi da prevedere. Ad esempio, per le previsioni meteorologiche orarie si potrebbero prevedere 24 intervalli.

Valutazione di un'implementazione online

Se crei una distribuzione online, puoi trasmettere i dati del payload utilizzando un modulo di inserimento dati o inviando codice JSON. Questo esempio mostra come strutturare il codice JSON per generare previsioni.

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

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

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

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

Previsioni basate su nuove osservazioni

Se invece di prevedere la riga successiva sulla base del passo precedente desideri inserire nuove osservazioni, inserisci i dati di input in questo modo per un modello univariato:

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

Inserisci nuove osservazioni in questo modo per un modello multivariato:

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

Dove 2, 4 e 6 sono osservazioni relative a value1 e 1, 3, 5 sono osservazioni relative a value2.

Valutazione di un modello di serie temporale con caratteristiche di supporto

Dopo aver distribuito il modello, puoi accedere alla pagina che descrive in dettaglio la distribuzione per ottenere i valori delle previsioni. Scegli uno dei seguenti metodi per testare la tua distribuzione:

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

Passi successivi

Salvataggio di un notebook generato da AutoAI ( Watson Machine Learning )