Zaman serisi tahmini, zaman serisi verilerinin (zaman içinde düzenli aralıklarla toplanan veriler) gelecekteki değerlerini tahmin etme sürecini ifade eder. Zaman serisi tahmini için basit yöntemler, gelecekteki değerlerinin tahmin edilmesi gereken aynı değişkenin geçmiş değerlerini kullanırken, daha karmaşık, makine öğrenimi (ML) tabanlı yöntemler, ilgili değişkenlerin zaman serisi verileri gibi ek bilgiler kullanır.
Amazon Tahmini tarafından kullanılan 20 yılı aşkın tahmin deneyimine dayanan algoritmalar içeren ML tabanlı bir zaman serisi tahmin hizmetidir. Amazon.com, Amazon'da kullanılan teknolojinin aynısını tam olarak yönetilen bir hizmet olarak geliştiricilere getirerek kaynakları yönetme ihtiyacını ortadan kaldırır. Forecast, makine öğrenimini yalnızca her öğe için en iyi algoritmayı değil, aynı zamanda her öğe için en iyi algoritmalar grubunu öğrenmek için kullanır ve verileriniz için en iyi modeli otomatik olarak oluşturur.
Bu gönderide, yinelenen Tahmin iş yüklerinin (zaman serisi tahmin iş yükleri) kod kullanılmadan nasıl dağıtılacağı açıklanmaktadır. AWS CloudFormation, AWS Basamak İşlevleri, ve AWS Sistem Yöneticisi. Burada sunulan yöntem, zaman serisi tahmin denemenizin ilk gününden modelin üretime dağıtımına kadar aynı iş akışını kullanmanıza izin veren bir ardışık düzen oluşturmanıza yardımcı olur.
Forecast kullanarak zaman serisi tahmini
Tahmin için iş akışı aşağıdaki ortak kavramları içerir:
- Veri kümelerini içe aktarma – Tahminde, bir veri kümesi grubu bir araya gelen veri kümeleri, şema ve tahmin sonuçları koleksiyonudur. Her veri kümesi grubu, her birinden bir tane olmak üzere en fazla üç veri kümesine sahip olabilir. veri kümesi tür: hedef zaman serisi (TTS), ilgili zaman serisi (RTS) ve öğe meta verileri. Veri kümesi, bir tahmin göreviyle ilgili verileri içeren bir dosya koleksiyonudur. Bir veri kümesi, Forecast içinde tanımlanan şemaya uygun olmalıdır. Daha fazla ayrıntı için bkz. Veri Kümelerini İçe Aktarma.
- Eğitim belirleyicileri - A belirleyicisi zaman serisi verilerine dayalı tahminler yapmak için kullanılan, Tahmin eğitimi almış bir modeldir. Eğitim sırasında Forecast, tahmin ediciyi değerlendirmek ve bir tahmin oluşturmak için tahmin ediciyi kullanıp kullanmayacağınıza karar vermek için kullandığınız doğruluk ölçümlerini hesaplar. Daha fazla bilgi için bkz. Eğitim Tahminleri.
- Tahminler oluşturuluyor – Daha sonra, eğitimli modeli gelecekteki bir zaman ufku için tahminler oluşturmak için kullanabilirsiniz. tahmin ufku. Tahmin, belirtilen çeşitli niceliklerde tahminler sağlar. Örneğin, 0.90 dilimindeki bir tahmin, zamanın %90'ında gözlenen değerden daha düşük bir değer tahmin edecektir. Tahmin, varsayılan olarak tahminci tahmin türleri için şu değerleri kullanır: 0.1 (P10), 0.5 (P50) ve 0.9 (P90). Çeşitli niceliklerdeki tahminler, tipik olarak, tahmin belirsizliğini hesaba katmak için bir tahmin aralığı (tahminler için bir üst ve alt sınır) sağlamak için kullanılır.
Bu iş akışını Forecast'te uygulayabilirsiniz. AWS Yönetim Konsolu, AWS Komut Satırı Arayüzü (AWS CLI), aracılığıyla Python not defterlerini kullanan API çağrılarıveya otomasyon çözümleri aracılığıyla. bu konsol ve AWS CLI'si Yöntemler, verilerinizi kullanarak zaman serisi tahmininin fizibilitesini kontrol etmeye yönelik hızlı deneyler için en uygun yöntemlerdir. Python not defteri yöntemi, zaten Jupyter not defterlerine ve kodlamaya aşina olan veri bilimcileri için harikadır ve maksimum kontrol ve ayarlama sağlar. Ancak, not defteri tabanlı yöntemin işlevsel hale getirilmesi zordur. Otomasyon yaklaşımımız, hızlı deneyleri kolaylaştırır, tekrarlayan görevleri ortadan kaldırır ve çeşitli ortamlar (geliştirme, hazırlama, üretim) arasında daha kolay geçiş sağlar.
Bu gönderide, kendi verilerinizi kullanmanıza izin veren ve denemenin ilk günlerinden dağıtıma kadar tahmin çözümünüzün geliştirme yaşam döngüsü boyunca sorunsuz bir şekilde kullanabileceğiniz tek bir iş akışı sağlayan Forecast kullanımına yönelik bir otomasyon yaklaşımını açıklıyoruz. üretim ortamınızdaki çözümün
Çözüme genel bakış
Aşağıdaki bölümlerde, Forecast kullanarak zaman serisi tahmin modellerinin otomatik dağıtımı için izlenecek bir şablon görevi gören eksiksiz bir uçtan uca iş akışını açıklıyoruz. Bu iş akışı, açık kaynaklı bir girdi veri kümesinden tahmin edilen veri noktaları oluşturur; ancak, verilerinizi bu gönderide belirtilen adımlara göre biçimlendirebildiğiniz sürece aynı iş akışını kendi verileriniz için kullanabilirsiniz. Verileri yükledikten sonra, Tahmin veri kümesi grupları oluşturma, verileri içe aktarma, makine öğrenimi modellerini eğitme ve ham verilerden gelecekteki görünmeyen zaman ufuklarında tahmin edilen veri noktaları üretme adımlarında size yol gösteririz. Tüm bunlar, kod yazmak veya derlemek zorunda kalmadan mümkündür.
Aşağıdaki diyagram tahmin iş akışını göstermektedir.
Çözüm, iki CloudFormation şablonu kullanılarak dağıtılır: bağımlılıklar şablonu ve iş yükü şablonu. CloudFormation, dağıtılacak kaynakları açıklayan şablonları kullanarak AWS altyapısı dağıtımlarını öngörülebilir şekilde ve tekrar tekrar gerçekleştirmenizi sağlar. Dağıtılan bir şablon, yığın. Sağlanan iki şablonda sizin için çözümdeki altyapıyı tanımlamaya özen gösterdik. Bağımlılıklar şablonu, iş yükü şablonu tarafından kullanılan önkoşul kaynakları tanımlar; Amazon Basit Depolama Hizmeti (Amazon S3) nesne depolama için klasör ve AWS Kimlik ve Erişim Yönetimi AWS API eylemleri için (IAM) izinleri. Bağımlılıklar şablonunda tanımlanan kaynaklar, birden çok iş yükü şablonu tarafından paylaşılabilir. İş yükü şablonu, verileri almak, bir tahmin ediciyi eğitmek ve bir tahmin oluşturmak için kullanılan kaynakları tanımlar.
Bağımlılıklar CloudFormation şablonunu dağıtın
Öncelikle, önkoşul kaynaklarımızı oluşturmak için bağımlılıklar şablonunu dağıtalım. Bağımlılıklar şablonu, isteğe bağlı bir S3 klasörü dağıtır. AWS Lambda işlevler ve IAM rolleri. Amazon S3, düşük maliyetli, yüksek düzeyde kullanılabilir, dirençli bir nesne depolama hizmetidir. Kaynak verileri depolamak ve iş akışını tetiklemek için bu çözümde bir S3 kovası kullanıyoruz ve bu da bir tahminle sonuçlanıyor. Lambda, sunucuları tedarik etmeden veya yönetmeden kod çalıştırmanıza izin veren, sunucusuz, olay odaklı bir bilgi işlem hizmetidir. Bağımlılıklar şablonu, Forecast'te bir veri kümesi grubu oluşturmak ve grubu silmeden önce bir S3 klasörü içindeki nesneleri temizlemek gibi şeyler yapmak için işlevler içerir. IAM rolleri, kullanıcılar ve hizmetler için AWS içindeki izinleri tanımlar. Bağımlılıklar şablonu, Lambda tarafından kullanılacak bir rol ve veri alma ve işleme görevlerini koordine edecek bir iş akışı yönetim hizmeti olan Step Functions için başka bir rol dağıtır ve bunun yanı sıra Forecast kullanarak tahminci eğitimi ve çıkarım yapar.
Bağımlılıklar şablonunu dağıtmak için aşağıdaki adımları tamamlayın:
- Konsolda, istediğiniz Tahmin tarafından desteklenen bölge çözüm dağıtımı için.
- AWS CloudFormation konsolunda şunu seçin: Yığınları Gezinti bölmesinde.
- Klinik Yığın oluştur Ve seç Yeni kaynaklarla (standart).
- İçin Şablon kaynağıseçin Amazon S3 URL'si.
- Şablon URL'sini girin:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - Klinik Sonraki.
- İçin Yığın adı, girmek
forecast-mlops-dependency
. - Altında parametreler, mevcut bir S3 grubunu kullanmayı veya yeni bir tane oluşturmayı seçin, ardından paketin adını sağlayın.
- Klinik Sonraki.
- Klinik Sonraki varsayılan yığın seçeneklerini kabul etmek için.
- Yığının IAM kaynakları oluşturduğunu kabul etmek için onay kutusunu seçin, ardından Yığın oluştur şablonu dağıtmak için.
Şablon dağıtımını şu şekilde görmelisiniz: forecast-mlops-dependency
yığın. Durum olarak değiştiğinde CREATE_COMPLETE
, sonraki adıma geçebilirsiniz.
İş yükü CloudFormation şablonunu dağıtın
Ardından, önkoşul kaynaklarımızı oluşturmak için iş yükü şablonunu dağıtalım. İş yükü şablonu, iş akışı yönetimi için Step Functions durum makinelerini dağıtır, AWS Systems Manager Parametre Deposu AWS CloudFormation'dan parametre değerlerini depolamak ve iş akışını bilgilendirmek için parametreler, bir Amazon Basit Bildirim Servisi (Amazon SNS) iş akışı bildirimleri konusu ve iş akışı hizmet izinleri için bir IAM rolü.
Çözüm, beş durum makinesi oluşturur:
- CreateDatasetGroupStateMachine – İçe aktarılacak veriler için bir Tahmin veri kümesi grubu oluşturur.
- CreateImportDatasetStateMachine – Eğitim için Amazon S3'teki kaynak verileri bir veri kümesi grubuna aktarır.
- CreateForecastStateMachine – Bir tahminciyi eğitmek ve bir tahmin oluşturmak için gereken görevleri yönetir.
- AthenaConnectorStateMachine – ile SQL sorguları yazmanıza olanak sağlar. Amazon Atina Amazon S3'teki arazi verilerine bağlayıcı. Bu, geçmiş verileri Amazon S3'e manuel olarak yerleştirmek yerine Athena'yı kullanarak Forecast için gerekli biçimde elde etmeye yönelik isteğe bağlı bir işlemdir.
- StepFunctionWorkflowStateMachine – Koordinatlar, diğer dört durum makinesini çağırır ve genel iş akışını yönetir.
Systems Manager'ın bir özelliği olan Parametre Deposu, güvenli, hiyerarşik depolama ve yapılandırma verileri yönetimi ve sır yönetimi için programlı erişim sağlar. Parametre Deposu, iş akışı tarafından kullanılan diğer parametrelerin yanı sıra iş yükü yığınında ayarlanan parametreleri depolamak için kullanılır.
İş yükü şablonunu dağıtmak için aşağıdaki adımları tamamlayın:
- AWS CloudFormation konsolunda şunu seçin: Yığınları Gezinti bölmesinde.
- Klinik Yığın oluştur Ve seç Yeni kaynaklarla (standart).
- İçin Şablon kaynağıseçin Amazon S3 URL'si.
- Şablon URL'sini girin:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - Klinik Sonraki.
- İçin Yığın adı, isim girin.
- Varsayılan değerleri kabul edin veya parametreleri değiştirin.
Bağımlılıklar yığınından S3 grup adını girdiğinizden emin olun. S3 Kova ve geçerli bir e-posta adresi SNSEndpoint varsayılan parametre değerlerini kabul etseniz bile.
Aşağıdaki tabloda her bir parametre açıklanmaktadır.
Parametre | Açıklama | Daha Fazla Bilgi |
DatasetGroupFrequencyRTS |
RTS veri kümesi için veri toplama sıklığı. | . |
DatasetGroupFrequencyTTS |
TTS veri kümesi için veri toplama sıklığı. | . |
DatasetGroupName |
Bağımsız bir iş yükü olan veri kümesi grubu için kısa ad. | Veri Kümesi Grubu Oluştur |
DatasetIncludeItem |
Bu kullanım durumu için öğe meta verileri sağlamak isteyip istemediğinizi belirtin. | . |
DatasetIncludeRTS |
Bu kullanım durumu için ilgili bir zaman serisi sağlamak isteyip istemediğinizi belirtin. | . |
ForecastForecastTypes |
Bir CreateForecast işi çalıştığında, bu, hangi nicelik dilimleri için tahmin üretileceğini bildirir. Bu dizide en fazla beş değer seçebilirsiniz. İhtiyaca göre değerleri dahil etmek için bu değeri düzenleyin. | Tahmin Oluştur |
PredictorAttributeConfigs |
TTS'deki hedef değişken ve RTS veri kümelerindeki her sayısal alan için, her öğe için her zaman aralığı için bir kayıt oluşturulmalıdır. Bu yapılandırma, eksik kayıtların nasıl doldurulacağını belirlemeye yardımcı olur: 0, NaN veya başka türlü. TTS'deki boşlukların 0 yerine NaN ile doldurulmasını öneririz. 0 ile model, tahminleri 0'a doğru yönlendirmeyi yanlış bir şekilde öğrenebilir. NaN, rehberliğin sunulma şeklidir. Bu konudaki sorularınız için AWS Solutions Mimarınıza danışın. | Otomatik Tahmin Oluştur |
PredictorExplainPredictor |
Geçerli değerler DOĞRU veya YANLIŞ'tır. Bunlar, tahmin ediciniz için açıklanabilirliğin etkinleştirilip etkinleştirilmediğini belirler. Bu, RTS ve öğe meta verilerindeki değerlerin modeli nasıl etkilediğini anlamanıza yardımcı olabilir. | Açıklanabilirlik |
PredictorForecastDimensions |
Öğeden daha ince bir tanede tahmin yapmak isteyebilirsiniz. Burada konum, maliyet merkezi veya ihtiyaçlarınız ne olursa olsun boyutları belirleyebilirsiniz. Bunun, RTS ve TTS'nizdeki boyutlarla uyumlu olması gerekir. Boyutunuz yoksa, doğru parametrenin null olduğunu, kendi başına ve tamamen küçük olduğunu unutmayın. null, sistemin boyut için parametre olmadığını bilmesini sağlayan ayrılmış bir sözcüktür. | Otomatik Tahmin Oluştur |
PredictorForecastFrequency |
Günlük, haftalık veya aylık gibi modelinizin ve tahminlerinizin oluşturulacağı zaman ölçeğini tanımlar. Açılır menü, izin verilen değerleri seçmenize yardımcı olur. RTS kullanıyorsanız, bunun RTS zaman ölçeğinizle uyumlu olması gerekir. | Otomatik Tahmin Oluştur |
PredictorForecastHorizon |
Modelin tahmin ettiği zaman adımlarının sayısı. Tahmin ufku aynı zamanda tahmin uzunluğu. | Otomatik Tahmin Oluştur |
PredictorForecastOptimizationMetric |
Tahmini optimize etmek için kullanılan doğruluk metriğini tanımlar. Açılır menü, fazla veya eksik tahmin için ağırlıklı kantil kayıp bakiyelerini seçmenize yardımcı olacaktır. RMSE birimlerle, WAPE/MAPE ise yüzde hatalarıyla ilgilenir. | Otomatik Tahmin Oluştur |
PredictorForecastTypes |
Olduğunda, bir CreateAutoPredictor iş çalışır, bu, tahmin noktalarını eğitmek için hangi niceliklerin kullanıldığını bildirir. Bu dizide en fazla beş değer seçerek fazla ve eksik tahmini dengelemenize olanak tanır. İhtiyaca göre değerleri dahil etmek için bu değeri düzenleyin. |
Otomatik Tahmin Oluştur |
S3Bucket |
Bu iş yükü için girdi verilerinin ve çıktı verilerinin yazıldığı S3 klasörünün adı. | . |
SNSEndpoint |
Tahminci ve Tahmin işleri tamamlandığında bildirim almak için geçerli bir e-posta adresi. | . |
SchemaITEM |
Bu, öğe meta veri kümeniz için fiziksel sırayı, sütun adlarını ve veri türlerini tanımlar. Bu, çözüm örneğinde sağlanan isteğe bağlı bir dosyadır. | Veri Kümesi Oluştur |
SchemaRTS |
Bu, RTS veri kümeniz için fiziksel sırayı, sütun adlarını ve veri türlerini tanımlar. Boyutlar, TTS'nizle aynı olmalıdır. Bu dosyanın zaman greni, tahminlerin yapılabileceği zaman grenini yönetir. Bu, çözüm örneğinde sağlanan isteğe bağlı bir dosyadır. | Veri Kümesi Oluştur |
SchemaTTS |
Bu, tek gerekli veri kümesi olan TTS veri kümeniz için fiziksel sırayı, sütun adlarını ve veri türlerini tanımlar. Dosya en az bir hedef değer, zaman damgası ve öğe içermelidir. | Veri Kümesi Oluştur |
TimestampFormatRTS |
RTS dosyasında sağlanan zaman damgası biçimini tanımlar. | CreateDatasetImportJob |
TimestampFormatTTS |
TTS dosyasında sağlanan zaman damgası biçimini tanımlar. | CreateDatasetImportJob |
- Klinik Sonraki varsayılan yığın seçeneklerini kabul etmek için.
- Yığının IAM kaynakları oluşturduğunu kabul etmek için onay kutusunu seçin, ardından Yığın oluştur şablonu dağıtmak için.
Şablon dağıtımını daha önce seçtiğiniz yığın adı olarak görmelisiniz. Durum olarak değiştiğinde CREATE_COMPLETE
, veri yükleme adımına geçebilirsiniz.
Verileri yükleyin
Önceki bölümde, bir yığın adı ve bir S3 grubu sağladınız. Bu bölümde, halka açık veri setinin nasıl depolanacağı açıklanmaktadır. Gıda Talebi bu kovada. Kendi veri kümenizi kullanıyorsanız, bkz. Veri Setleri veri kümenizi dağıtımın beklediği biçimde hazırlamak için. Veri kümesinin en azından hedef zaman serisini ve isteğe bağlı olarak ilgili zaman serisini ve öğe meta verilerini içermesi gerekir:
- TTS, tahmin oluşturmak istediğiniz alanı içeren zaman serisi verileridir; bu alan denir hedef alan
- RTS, hedef alanı içermeyen ancak ilgili bir alanı içeren zaman serisi verileridir.
- Öğe veri dosyası, zaman serisi verileri değildir, ancak TTS veya RTS veri kümelerindeki öğeler hakkında meta veri bilgilerini içerir.
Aşağıdaki adımları tamamlayın:
- Sağlanan örnek veri kümesini kullanıyorsanız veri kümesini indirin Gıda Talebi bilgisayarınıza indirin ve üç dizin içinde üç dosya oluşturan dosyayı açın (
rts
,tts
,item
). - Amazon S3 konsolunda daha önce oluşturduğunuz klasöre gidin.
- Klinik klasör oluşturun.
- Klasör adı için iş yükü yığını adınızla aynı dizeyi kullanın.
- Klinik Foto Yükle.
- Üç veri kümesi klasörünü seçin, ardından Foto Yükle.
Yükleme tamamlandığında, aşağıdaki ekran görüntüsü gibi bir şey görmelisiniz. Bu örnek için, klasörümüz aiml42
.
Tahmin veri kümesi grubu oluşturma
Her iş yükü için tek seferlik bir olay olarak bir veri kümesi grubu oluşturmak için bu bölümdeki adımları tamamlayın. Bundan sonra, içe aktarma verilerini çalıştırmayı, öngörücü oluşturmayı ve günlük, haftalık veya başka türlü olabilecek programınıza göre bir dizi olarak uygun şekilde tahmin adımları oluşturmayı planlamanız gerekir.
- Step Functions konsolunda, içeren durum makinesini bulun.
Create-Dataset-Group
. - Durum makinesi ayrıntı sayfasında, Yürütmeyi başlat.
- Klinik Yürütmeyi başlat tekrar onaylamak için.
Durum makinesinin çalışması yaklaşık 1 dakika sürer. Tamamlandığında, altındaki değer Yürütme Durumu den değişmeli Koşu için başarılı
Verileri Tahmine aktar
S3 grubunuza yüklediğiniz veri setini veri seti grubunuza aktarmak için bu bölümdeki adımları izleyin:
- Step Functions konsolunda, içeren durum makinesini bulun.
Import-Dataset
. - Durum makinesi ayrıntı sayfasında, Yürütmeyi Başlat.
- Klinik Yürütmeyi başlat tekrar onaylamak için.
Durum makinesinin çalışması için geçen süre, işlenmekte olan veri kümesine bağlıdır.
- Bu çalışırken, tarayıcınızda başka bir sekme açın ve Tahmin konsoluna gidin.
- Tahmin konsolunda, Veri kümesi gruplarını görüntüle ve belirtilen ada sahip veri kümesi grubuna gidin.
DataGroupName
iş yükü yığınınızdan. - Klinik Veri kümelerini görüntüle.
Veri içe aktarma işleminin devam ettiğini görmelisiniz.
Ne zaman durum makinesi için Import-Dataset
tamamlandığında, zaman serisi veri modelinizi oluşturmak için bir sonraki adıma geçebilirsiniz.
AutoPredictor oluşturun (bir zaman serisi modeli eğitin)
Bu bölüm, Forecast ile bir ilk tahmincinin nasıl eğitileceğini açıklamaktadır. Yeni bir öngörücü (ilk, temel tahmin ediciniz) oluşturmayı veya günlük, haftalık veya başka türlü olabilen her üretim döngüsü sırasında bir tahmin ediciyi yeniden eğitmeyi seçebilirsiniz. Ayrıca, her döngüde bir öngörücü oluşturmamayı seçebilir ve ne zaman oluşturacağınız konusunda size yol göstermesi için öngörücü izlemesine güvenebilirsiniz. Aşağıdaki şekil, üretime hazır bir Tahmin öngörücüsü oluşturma sürecini görselleştirir.
Yeni bir öngörücü oluşturmak için aşağıdaki adımları tamamlayın:
- Step Functions konsolunda, içeren durum makinesini bulun.
Create-Predictor
. - Durum makinesi ayrıntı sayfasında, Yürütmeyi Başlat.
- Klinik Yürütmeyi başlat tekrar onaylamak için.
Çalışma zamanı miktarı, işlenmekte olan veri kümesine bağlı olabilir. Bu işlemin tamamlanması bir saat veya daha uzun sürebilir. - Bu çalışırken, tarayıcınızda başka bir sekme açın ve Tahmin konsoluna gidin.
- Tahmin konsolunda, Veri kümesi gruplarını görüntüle ve belirtilen ada sahip veri kümesi grubuna gidin.
DataGroupName
iş yükü yığınınızdan. - Klinik Tahmin edicileri görüntüle.
Tahmin edici eğitiminin devam ettiğini görmelisiniz (Eğitim durumu "Oluşturma devam ediyor..." gösterir).
Ne zaman durum makinesi için Create-Predictor
tamamlandı, performansını değerlendirebilirsiniz.
Durum makinesinin bir parçası olarak, sistem bir öngörücü oluşturur ve ayrıca bir BacktestExport
Amazon S3'e zaman serisi düzeyinde tahmin metriklerini yazan iş. Bunlar, iki S3 klasöründe bulunan dosyalardır. backtest-export
Klasör:
- doğruluk-metrik-değerler – Tek bir zaman serisinin performansını anlayabilmeniz için öğe düzeyinde doğruluk metrik hesaplamaları sağlar. Bu, yalnızca küresel metriklere odaklanmak yerine yayılmayı araştırmanıza olanak tanır.
- tahmin edilen değerler – Geriye dönük test penceresinde her bir zaman serisi için adım düzeyinde tahminler sağlar. Bu, bir uzatma test setinden gerçek hedef değeri tahmin edilen nicelik değerleri ile karşılaştırmanıza olanak tanır. Bunu gözden geçirmek, gelecekteki değerleri daha iyi tahmin etmeye yardımcı olmak ve kaybı daha da azaltmak için RTS'de veya öğe meta verilerinde ek veri özelliklerinin nasıl sağlanacağına ilişkin fikirlerin formüle edilmesine yardımcı olur. indirebilirsin
backtest-export
dosyaları Amazon S3'ten alın veya Athena ile yerinde sorgulayın.
Kendi verilerinizle, öngörücü sonuçlarını yakından incelemeniz ve geçmişe dönük dışa aktarma verilerini kullanarak metriklerin beklenen sonuçları karşılamasını sağlamanız gerekir. Memnun kaldığınızda, bir sonraki bölümde açıklandığı gibi ileri tarihli tahminler oluşturmaya başlayabilirsiniz.
Bir tahmin oluşturun (gelecekteki zaman ufukları hakkında çıkarım)
Bu bölümde Tahmin ile tahmin veri noktalarının nasıl oluşturulacağı açıklanmaktadır. İleriye dönük olarak, kaynak sistemden yeni veriler toplamanız, verileri Tahmin'e aktarmanız ve ardından tahmin veri noktaları oluşturmanız gerekir. İsteğe bağlı olarak, içe aktarmadan sonra ve tahminden önce yeni bir öngörücü oluşturma da ekleyebilirsiniz. Aşağıdaki şekil, Forecast kullanarak üretim zaman serisi tahminleri oluşturma sürecini görselleştirir.
Aşağıdaki adımları tamamlayın:
- Step Functions konsolunda, içeren durum makinesini bulun.
Create-Forecast
. - Durum makinesi ayrıntı sayfasında, Yürütmeyi Başlat.
- Klinik Yürütmeyi başlat tekrar onaylamak için.
Sistem bir tahmin oluşturmak üzere yapılandırılmadığı için bu durum makinesi çok hızlı bir şekilde tamamlanır. Çıkarım için hangi öngörücü modeli onayladığınızı bilmez.
Eğitimli öngörücünüzü kullanmak için sistemi yapılandıralım. - Tahmin konsolunda tahmin ediciniz için ARN'yi bulun.
- Daha sonraki bir adımda kullanmak için ARN'yi kopyalayın.
- Tarayıcınızda başka bir sekme açın ve Sistem Yöneticisi konsoluna gidin.
- Sistem Yöneticisi konsolunda, seçin Parametre Deposu Gezinti bölmesinde.
- Yığınınızla ilgili parametreyi bulun (
/forecast/<StackName>/Forecast/PredictorArn
). - Tahminciniz için kopyaladığınız ARN'yi girin.
Eğitilmiş bir öngörücüyü Tahmin'in çıkarım işleviyle bu şekilde ilişkilendirirsiniz. - parametreyi bulun
/forecast/<StackName>/Forecast/Generate
ve değeri değiştirerek değiştirinFALSE
ileTRUE
.
Artık bu veri kümesi grubu için bir tahmin işi çalıştırmaya hazırsınız. - Step Functions konsolunda,
Create-Forecast
durum makinesi.
Bu sefer iş beklendiği gibi çalışıyor. Durum makinesinin bir parçası olarak, sistem bir tahmin oluşturur ve ForecastExport
zaman serisi tahminlerini Amazon S3'e yazan iş. Bu dosyalar şu adreste bulunur: forecast
dosya
İç forecast
klasöründe, seçiminize bağlı olarak birçok CSV veya Parquet dosyasında bulunan öğeleriniz için tahminler bulacaksınız. Her zaman adımı ve seçilen zaman serileri için tahminler, kayıt başına seçtiğiniz tüm nicelik değerleri ile mevcuttur. Bu dosyaları Amazon S3'ten indirebilir, Athena ile yerinde sorgulayabilir veya verileri kullanmak için başka bir strateji seçebilirsiniz.
Bu, tüm iş akışını tamamlar. Artık, istediğiniz herhangi bir görselleştirme aracını kullanarak çıktınızı görselleştirebilirsiniz. Amazon QuickSight. Alternatif olarak, veri bilimcileri kendi planlarını oluşturmak için pandaları kullanabilirler. QuickSight'ı kullanmayı seçerseniz, şunları yapabilirsiniz: tahmin sonuçlarınızı QuickSight'a bağlayın veri dönüştürmeleri gerçekleştirmek, bir veya daha fazla veri analizi oluşturmak ve görselleştirmeler oluştur.
Bu süreç izlenecek bir şablon sağlar. Örneği şemanıza uyarlamanız, tahmin ufkunu, zaman çözünürlüğünü vb. kullanım durumunuza göre ayarlamanız gerekecektir. Ayrıca, verilerin kaynak sistemden toplandığı, verileri içe aktardığı ve tahminler ürettiği yinelenen bir program belirlemeniz gerekecektir. İstenirse, içe aktarma ve tahmin adımları arasına bir tahmin görevi ekleyebilirsiniz.
Tahminciyi yeniden eğitin
Yeni bir yordayıcıyı eğitme sürecinden geçtik, peki ya bir yordayıcıyı yeniden eğitmeye ne dersiniz? Bir öngörücüyü yeniden eğitmek, bir öngörücüyü mevcut en son veriler üzerinde eğitmekle ilgili maliyeti ve zamanı azaltmanın bir yoludur. Yeni bir tahmin oluşturucu oluşturmak ve onu tüm veri kümesi üzerinde eğitmek yerine, yalnızca tahmin edicinin son eğitilmesinden bu yana kullanıma sunulan yeni artımlı verileri sağlayarak mevcut tahmin ediciyi yeniden eğitebiliriz. Otomasyon çözümünü kullanarak bir öngörücünün nasıl yeniden eğitileceğini inceleyelim:
- Tahmin konsolunda, Veri kümesi gruplarını görüntüle.
- Yeniden eğitmek istediğiniz tahmin ediciyle ilişkili veri kümesi grubunu seçin.
- Klinik Tahmin edicileri görüntüle, ardından yeniden eğitmek istediğiniz tahmin ediciyi seçin.
- Üzerinde Ayarlar sekmesinde, tahminci ARN'yi kopyalayın.
Yeniden eğitilecek öngörücüyü belirlemek için iş akışı tarafından kullanılan bir parametreyi güncellememiz gerekiyor. - Sistem Yöneticisi konsolunda, seçin Parametre Deposu Gezinti bölmesinde.
- parametreyi bulun
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - Parametre ayrıntısı sayfasında, Düzenle.
- İçin Özellik, öngörücü ARN'yi girin.
Bu, yeniden eğitilecek iş akışı için doğru öngörücüyü tanımlar. Ardından, eğitim stratejisini değiştirmek için iş akışı tarafından kullanılan bir parametreyi güncellememiz gerekiyor. - parametreyi bulun
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - Parametre ayrıntısı sayfasında Düzenle'yi seçin.
- Değer için girin
RETRAIN
.
İş akışı, varsayılan olarak yeni bir öngörücü eğitmeye yöneliktir; ancak, mevcut bir öngörücüyü yeniden eğitmek için bu davranışı değiştirebilir veya bu değeri şu şekilde ayarlayarak yeniden eğitmeden mevcut bir öngörücüyü yeniden kullanabiliriz.NONE
. Verileriniz nispeten istikrarlıysa veya kullanıyorsanız eğitimden vazgeçmek isteyebilirsiniz. otomatik öngörücü izleme Yeniden eğitimin ne zaman gerekli olduğuna karar vermek için. - Artımlı eğitim verilerini S3 klasörüne yükleyin.
- Step Functions konsolunda durum makinesini bulun
<STACKNAME>-Create-Predictor
. - Durum makinesi ayrıntı sayfasında, Yürütmeyi başlat yeniden eğitime başlamak için.
Yeniden eğitim tamamlandığında, iş akışı sona erecek ve iş yükü şablonu parametrelerinde sağlanan e-posta adresine bir SNS e-posta bildirimi alacaksınız.
Temizlemek
Bu çözümü tamamladığınızda ilgili kaynakları silmek için bu bölümdeki adımları izleyin.
S3 klasörünü silin
- Amazon S3 konsolunda şunu seçin: Kepçeler Gezinti bölmesinde.
- Verilerin yüklendiği grubu seçin ve seçin boş kaynak veriler de dahil olmak üzere çözümle ilişkili tüm verileri silmek için.
- Keşfet
permanently delete
kova içeriğini kalıcı olarak silmek için. - Üzerinde Kepçeler sayfasında, grubu seçin ve seçin Sil.
- Silme işlemini onaylamak için paketin adını girin ve seçin Paketi sil.
Tahmin kaynaklarını silin
- Tahmin konsolunda, Veri kümesi gruplarını görüntüle.
- Çözümle ilişkili veri kümesi grubu adını seçin, ardından Sil.
- Keşfet
delete
veri kümesi grubunu ve ilişkili öngörücüleri, tahmin edici geriye dönük dışa aktarma işlerini, tahminleri ve tahmini dışa aktarma işlerini silmek için. - Klinik Sil onaylamak.
CloudFormation yığınlarını silin
- AWS CloudFormation konsolunda şunu seçin: Yığınları Gezinti bölmesinde.
- İş yükü yığınını seçin ve seçin Sil.
- Klinik Yığını sil yığının ve ilgili tüm kaynakların silinmesini onaylamak için.
- Silme işlemi tamamlandığında, bağımlılık yığınını seçin ve Sil.
- Klinik Sil onaylamak.
Sonuç
Bu gönderide, Forecast'i kullanmaya başlamanın bazı farklı yollarını tartıştık. AWS CloudFormation tabanlı bir otomatik tahmin çözümünü, çok az altyapı bilgisi gerektirerek veri alımından çıkarıma kadar bir Tahmin ardışık düzeninin hızlı, tekrarlanabilir bir çözüm dağıtımı için adım adım inceledik. Son olarak, model yeniden eğitimini otomatikleştirmek, maliyeti ve eğitim süresini azaltmak için Lambda'yı nasıl kullanabileceğimizi gördük.
Forecast ile tahmin yapmaya başlamak için şu andan daha iyi bir zaman yoktur. Otomatik bir iş akışı oluşturmaya ve dağıtmaya başlamak için şu adresi ziyaret edin: Amazon Tahmin kaynakları. Mutlu tahmin!
Yazarlar Hakkında
Harun Fagan New York merkezli AWS'de Baş Uzman Çözüm Mimarıdır. Müşterilerin makine öğrenimi ve bulut güvenliğinde çözümler tasarlamasına yardımcı olma konusunda uzmanlaşmıştır.
Raju Patil AWS Profesyonel Hizmetlerinde Veri Bilimcisidir. AWS müşterilerinin iş zorluklarının üstesinden gelmelerine yardımcı olmak için AI/ML çözümleri oluşturur ve dağıtır. AWS etkileşimleri, finansal hizmetler, telekomünikasyon, sağlık hizmetleri ve daha fazlası dahil olmak üzere çok sayıda sektörde bilgisayar görüşü, zaman serisi tahmini ve tahmine dayalı analitik vb. gibi çok çeşitli AI/ML kullanım durumlarını kapsamıştır. Bundan önce, Reklam Teknolojisinde Veri Bilimi ekiplerine liderlik etmiş ve bilgisayarla görme ve robotik alanlarında çok sayıda araştırma ve geliştirme girişimine önemli katkılarda bulunmuştur. İş dışında fotoğraf çekmekten, yürüyüş yapmaktan, seyahat etmekten ve mutfak keşiflerinden hoşlanıyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- PREIPO® ile PRE-IPO Şirketlerinde Hisse Al ve Sat. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 10
- 100
- 11
- 20
- 20 yıl
- 2022
- 7
- 8
- 9
- a
- Hakkımızda
- Kabul et
- erişim
- Göre
- Hesap
- doğruluk
- onaylamak
- karşısında
- eylemler
- uyarlamak
- Ek
- Ek Bilgi
- adres
- reklâm
- Sonra
- tekrar
- AI / ML
- algoritma
- algoritmalar
- Türkiye
- Izin
- veriyor
- tek başına
- zaten
- Ayrıca
- Amazon
- Amazon Tahmini
- miktar
- an
- analizler
- analytics
- ve
- Başka
- herhangi
- api
- yaklaşım
- uygun
- onaylı
- ARE
- Dizi
- AS
- yardım
- Ortak
- ilişkili
- At
- otomatikleştirmek
- Otomatik
- otomatik olarak
- Otomasyon
- mevcut
- AWS
- AWS CloudFormation
- AWS Profesyonel Hizmetleri
- Backtest
- Bakiye
- bakiyeler
- merkezli
- Temel
- BE
- Çünkü
- önce
- başlamak
- olmak
- İYİ
- Daha iyi
- arasında
- önyargı
- bağlı
- kutu
- Bringing
- tarayıcı
- inşa etmek
- bina
- inşa
- iş
- fakat
- by
- hesaplar
- denilen
- aramalar
- CAN
- hangi
- dava
- durumlarda
- Merkez
- zorluklar
- değişiklik
- değişiklikler
- Kontrol
- seçim
- Klinik
- seçti
- seçilmiş
- yakından
- bulut
- Bulut Güvenlik
- kod
- kodlama
- Toplamak
- Sütun
- COM
- ortak
- karşılaştırmak
- tamamlamak
- karmaşık
- hesaplamalar
- hesaplamak
- bilgisayar
- Bilgisayar görüşü
- kavramlar
- ilgili
- yapılandırma
- Onaylamak
- konsolos
- içermek
- içindekiler
- katkıları
- kontrol
- koordinat
- doğru
- Ücret
- olabilir
- kaplı
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- Oluşturma
- oluşturma
- Müşteriler
- devir
- Döngüsel
- günlük
- veri
- veri yönetimi
- Veri noktaları
- veri bilimi
- veri bilimcisi
- veri seti
- veri kümeleri
- gün
- Günler
- karar vermek
- beyan
- Varsayılan
- varsayılan
- tanımlı
- tanımlar
- tanımlarken
- teslim edilen
- bağlı
- bağlıdır
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- dağıtımları
- dağıtır
- mevduat
- tanımlamak
- tarif edilen
- İstediğiniz
- ayrıntı
- ayrıntılar
- Belirlemek
- geliştiriciler
- gelişme
- farklı
- zor
- Boyut
- boyutlar
- dizinleri
- tartışılan
- do
- Değil
- yapılmış
- indir
- sırasında
- her
- Daha erken
- kolay
- ya
- ortadan kaldırır
- E-posta
- etkin
- sağlar
- son
- son uca
- sağlamak
- Keşfet
- Tüm
- çevre
- ortamları
- Hatalar
- tahmin
- vb
- değerlendirmek
- Hatta
- Etkinlikler
- örnek
- infaz
- mevcut
- mevcut
- beklenen
- bekliyoruz
- deneyim
- ihracat
- kolaylaştırır
- yanlış
- tanıdık
- Özellikler
- alan
- şekil
- fileto
- dosyalar
- Dosyalama
- dolu
- Nihayet
- mali
- finansal hizmetler
- bulmak
- Ad
- odaklanma
- takip et
- takip etme
- İçin
- Tahmin
- tahminleri
- biçim
- ileri
- ileri
- dört
- Sıklık
- itibaren
- tamamen
- işlev
- fonksiyonlar
- daha fazla
- gelecek
- oluşturmak
- oluşturulan
- üreten
- almak
- Küresel
- Go
- gidiş
- idare eder
- grafik
- harika
- grup
- Grubun
- rehberlik
- rehberlik
- mutlu
- hasat
- Var
- sahip olan
- he
- Sağlık
- Sağlık Hizmetleri
- yardım et
- yardım
- yardımcı olur
- okuyun
- büyük ölçüde
- onun
- tarihsel
- ufuk
- Ufuklar
- saat
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- http
- HTTPS
- fikirler
- tanımlar
- belirlemek
- Kimlik
- if
- göstermektedir
- uygulamak
- ithalat
- ithalat
- in
- dahil
- içerir
- Dahil olmak üzere
- Endüstri
- etkilemek
- bilgi vermek
- bilgi
- Altyapı
- ilk
- girişimler
- giriş
- yerine
- içine
- araştırmak
- ilgili
- IT
- ürün
- ONUN
- kendisi
- İş
- Mesleki Öğretiler
- jpg
- Bilmek
- bilgi
- bilinen
- arazi
- Soyad
- sonra
- son
- ÖĞRENİN
- öğrenme
- en az
- Led
- Led Veri
- Lets
- yaşam döngüsü
- sevmek
- çizgi
- küçük
- bulunan
- yer
- Uzun
- kayıp
- düşük maliyetli
- alt
- makine
- makine öğrenme
- Makineler
- yapılmış
- Yapımı
- yönetmek
- yönetilen
- yönetim
- müdür
- yönetir
- yönetme
- el ile
- çok
- maksimum
- Mayıs..
- Neden
- Menü
- Metadata
- yöntem
- yöntemleri
- metrik
- Metrikleri
- olabilir
- asgari
- dakika
- eksik
- ML
- model
- modelleri
- değiştirmek
- izleme
- aylık
- Daha
- hareket
- çoklu
- şart
- isim
- isimleri
- Gezin
- Navigasyon
- gerekli
- gerek
- ihtiyaçlar
- yeni
- New York
- sonraki
- yok hayır
- defter
- tebliğ
- bildirimleri
- şimdi
- numara
- sayısız
- nesne
- nesneler
- elde etmek
- of
- on
- ONE
- bir tek
- açık
- açık kaynak
- optimize
- Opsiyonlar
- or
- sipariş
- Diğer
- aksi takdirde
- bizim
- dışarı
- sonuçlar
- özetlenen
- çıktı
- dışında
- tekrar
- tüm
- kendi
- Kanal
- pandalar
- bölmesi
- parametre
- parametreler
- Bölüm
- yüzde
- Yapmak
- performans
- kalıcı olarak
- izinleri
- fotoğrafçılık
- fiziksel
- boru hattı
- yer
- yerleştirme
- plan
- Platon
- Plato Veri Zekası
- PlatoVeri
- noktaları
- mümkün
- Çivi
- tahmin
- tahmin
- tahmin
- Tahminler
- Akıllı Analytics
- Predictor
- öngörür
- Hazırlamak
- mevcut
- sundu
- önceki
- Anapara
- Önceki
- süreç
- İşlenmiş
- işleme
- üretmek
- üretim
- profesyonel
- program niteliğinde
- Ilerleme
- sağlamak
- sağlanan
- sağlar
- sağlama
- alenen
- Python
- sorgular
- Sorular
- Hızlı
- hızla
- menzil
- hızlı
- daha doğrusu
- Çiğ
- hazır
- teslim almak
- tavsiye etmek
- kayıt
- kayıtlar
- yinelenen
- azaltmak
- azaltarak
- Referans
- ifade eder
- düzenli
- ilgili
- Nispeten
- uygun
- güvenmek
- kaldırma
- tekrarlanabilir
- DEFALARCA
- tekrarlayan
- gereklidir
- araştırma
- araştırma ve geliştirme
- ayrılmış
- esnek
- çözüm
- Kaynaklar
- Ortaya çıkan
- Sonuçlar
- yeniden
- gözden
- robotik
- Rol
- rolleri
- koşmak
- koşu
- aynı
- Örnek veri kümesi
- memnun
- ölçek
- program
- Bilim
- bilim adamı
- bilim adamları
- sorunsuz
- Bölüm
- bölümler
- güvenli
- güvenlik
- görmek
- seçilmiş
- seçim
- Dizi
- Serverless
- Sunucular
- vermektedir
- hizmet
- Hizmetler
- set
- ayar
- Paylaşılan
- kısa
- meli
- Gösteriler
- önemli
- Basit
- sadece
- beri
- tek
- So
- çözüm
- Çözümler
- biraz
- bir şey
- Kaynak
- uzman
- uzmanlaşmış
- Belirtilen
- yayılma
- kararlı
- yığın
- sahneleme
- standart
- başlama
- başladı
- XNUMX dakika içinde!
- Eyalet
- Durum
- adım
- Basamaklar
- hafızası
- mağaza
- Stratejileri
- dizi
- yapı
- böyle
- destekli
- sistem
- Sistemler
- tablo
- Bizi daha iyi tanımak için
- alır
- Hedef
- Görev
- görevleri
- takım
- Teknoloji
- telekom
- şablon
- şablonları
- test
- göre
- o
- The
- Kaynak
- Devlet
- ve bazı Asya
- Onları
- sonra
- Orada.
- Bunlar
- işler
- Re-Tweet
- üç
- İçinden
- boyunca
- zaman
- Zaman serisi
- zaman damgası
- için
- birlikte
- araç
- konu
- karşı
- Tren
- eğitilmiş
- Eğitim
- dönüşümler
- geçiş
- seyahat
- tetikleyebilir
- gerçek
- iki
- tip
- türleri
- tipik
- Belirsizlik
- altında
- anlamak
- birimleri
- Güncelleme
- Yüklenen
- URL
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcılar
- kullanma
- değer
- Değerler
- çeşitli
- çok
- üzerinden
- vizyonumuz
- Türkiye Dental Sosyal Medya Hesaplarından bizi takip edebilirsiniz.
- görüntüleme
- yürüdü
- istemek
- oldu
- Yol..
- yolları
- we
- haftalık
- İYİ
- Ne
- ne zaman
- olup olmadığını
- hangi
- geniş
- Geniş ürün yelpazesi
- irade
- ile
- içinde
- olmadan
- Word
- İş
- yazmak
- yazılı
- yıl
- york
- Sen
- zefirnet
- zip