Forecast Explainability - Amazon Forecast

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Forecast Explainability

Anmerkung

Forecast Prognoseerklärbarkeit ist nur für Prognosen verfügbar, die von einem AutoRedictor generiert wurden. Sie können vorhandene Legacy-Prädiktoren auf AutoRedictor aktualisieren. Siehe .Aktualisieren auf AutoPredictoraus.

Forecast Prognoseerklärbarkeit hilft Ihnen besser zu verstehen, wie sich die Attribute in Ihren Datensätzen auf Prognosen für bestimmte Zeitreihen (Elemente- und Dimensionskombinationen) und Zeitpunkte auswirken. Forecast verwendet eine Metrik namens Impact-Scores, um die relativen Auswirkungen jedes Attributs zu quantifizieren und zu bestimmen, ob sie die Prognosewerte erhöhen oder verringern.

Betrachten Sie beispielsweise ein Prognoseszenario, in dem das Ziel liegtsalesund es gibt zwei verwandte Attribute:priceundcoloraus. Die Forecast kann feststellen, dass die Farbe des Artikels einen hohen Einfluss auf den Umsatz bestimmter Artikel hat, aber einen vernachlässigbaren Effekt für andere Artikel hat. Es kann auch feststellen, dass eine Werbeaktion im Sommer einen hohen Einfluss auf den Umsatz hat, aber eine Werbeaktion im Winter hat wenig Wirkung.

Um die Prognoseerklärbarkeit zu aktivieren, muss Ihr Prädiktor mindestens eine der folgenden Optionen enthalten: verwandte Zeitreihen, Elementmetadaten oder zusätzliche Datensätze wie Feiertage und Wetterindex.

Um aggregierte Auswirkungswerte für alle Zeitreihen und Zeitpunkte in Ihren Datensätzen anzuzeigen, verwenden Sie Prädiktorerklärbarkeit anstelle der Prognoseerklärbarkeit. Siehe .Predictor-Erklärbarkeitaus.

Python-Notebooks

Eine Schritt-für-Schritt-Anleitung zur Prognoseerklärbarkeit finden Sie unterErklärbarkeit auf Elementebeneaus.

Interpretieren von Wirkungswerten

Auswirkungswerte messen die relativen Auswirkungsattribute auf Prognosewerte. Wenn das Attribut „Preis“ beispielsweise einen Auswirkungswert aufweist, der doppelt so groß ist wie das Attribut „Ladenstandort“, können Sie daraus schließen, dass der Preis eines Artikels den doppelten Einfluss auf Prognosewerte hat als auf den Ladenstandort.

Auswirkungswerte liefern auch Informationen darüber, ob Attribute die Prognosewerte erhöhen oder verringern. In der Konsole wird dies mit den beiden Graphen bezeichnet. Attribute mit blauen Balken erhöhen die Prognosewerte, während Attribute mit roten Balken die Prognosewerte verringern.

Es ist wichtig zu beachten, dass Impact-Scores die relativen Auswirkungen von Attributen messen, nicht die absolute Auswirkung. Daher können Auswirkungswerte nicht verwendet werden, um festzustellen, ob bestimmte Attribute die Modellgenauigkeit verbessern. Wenn ein Attribut einen niedrigen Impact-Wert aufweist, bedeutet dies nicht notwendigerweise, dass es einen geringen Einfluss auf Prognosewerte hat. Dies bedeutet, dass es einen geringeren Einfluss auf Prognosewerte hat als andere vom Prädiktor verwendete Attribute.

Für Prognoseerklärbarkeit gibt es Auswirkungswerte in zwei Formen: Normalisierte Auswirkungswerte und Raw Impact Scores. Rohwirkungswerte basieren auf Shapley-Werten und werden nicht skaliert oder begrenzt. Normalisierte Impact Scores skalieren die Rohwerte auf einen Wert zwischen -1 und 1.

Rohwirkungswerte sind nützlich, um Ergebnisse über verschiedene Erklärbarkeitsressourcen zu kombinieren und zu vergleichen. Wenn Ihr Prädiktor beispielsweise mehr als 50 Zeitreihen oder mehr als 500 Zeitpunkte enthält, können Sie mehrere Ressourcen zur Prognoseerklärbarkeit erstellen, um eine größere kombinierte Anzahl von Zeitreihen oder Zeitpunkten abzudecken, und rohe Auswirkungswerte für Attribute direkt vergleichen. Rohwirkungswerte für Ressourcen zur Prognoseerklärbarkeit aus verschiedenen Prognosen sind jedoch nicht direkt vergleichbar.

Wenn Sie Auswirkungswerte in der Konsole anzeigen, sehen Sie nur normalisierte Auswirkungswerte. Durch den Export der Erklärbarkeit erhalten Sie sowohl rohe als auch normalisierte Ergebnisse.

Erstellen von Prognoseerklärbarkeit

Mit der Prognoseerklärbarkeit können Sie untersuchen, wie sich Attribute auf Prognosewerte für bestimmte Zeitreihen zu bestimmten Zeitpunkten auswirken. Nach Angabe von Zeitreihen und Zeitpunkten berechnet Amazon Forecast Auswirkungswerte nur für diese bestimmten Zeitreihen und Zeitpunkte.

Sie können die Prognoseerklärbarkeit für einen Prädiktor mithilfe des Software Development Kit (SDK) oder der Amazon Forecast Console aktivieren. Wenn Sie das SDK verwenden, verwenden Sie dasCreateExplainabilityverwenden.

Angeben von Zeitreihen

Anmerkung

Eine Zeitreihe ist eine Kombination aus dem Element (item_id) und allen Dimensionen in Ihren Datensätzen

Wenn Sie Zeitreihen (Elemente- und Dimensionskombinationen) für die Prognoseerklärbarkeit angeben, berechnet Amazon Forecast Auswirkungswerte für Attribute nur für diese bestimmten Zeitreihen.

Um eine Liste von Zeitreihen anzugeben, laden Sie eine CSV-Datei hoch, die die Zeitreihe anhand ihrer item_id- und Dimensionswerte in einen S3-Bucket identifiziert. Sie können bis zu 50 Zeitreihen angeben. Sie müssen auch die Attribute und Attributtypen der Zeitreihe in einem Schema definieren.

Beispielsweise möchte ein Einzelhändler möglicherweise wissen, wie sich eine Werbeaktion auf den Umsatz eines bestimmten Artikels auswirkt (item_id) an einem bestimmten Ladenstandort (store_location) enthalten. In diesem Anwendungsfall geben Sie die Zeitreihe an, die die Kombination aus item_id und store_location darstellt.

Die folgende CSV-Datei wählt die folgenden fünf Zeitreihen aus:

  1. Item_ID: 001, store_location: Seattle

  2. Item_ID: 001, store_location: New York

  3. item_ID: 002, store_location: Seattle

  4. item_ID: 002, store_location: New York

  5. item_ID: 003, store_location: Denver

001, Seattle 001, New York 002, Seattle 002, Seattle 003, Denver

Das Schema definiert die erste Spalte alsitem_idund die zweite Spalte alsstore_locationaus.

Sie können Zeitreihen mit der Prognosekonsole oder dem Forecast Software Development Kit (SDK) angeben.

Console

So geben Sie Zeitreihen für Forecast Prognoseerklärbarkeit an

  1. Melden Sie sich beim anAWS Management Consoleund öffnen Sie die Amazon Forecast-Konsole unterhttps://console.aws.amazon.com/forecast/aus.

  2. AusDataset-Gruppenwählen Sie Ihre Dataset-Gruppe aus.

  3. Wählen Sie im Navigationsbereich Insights aus.

  4. Klicken Sie aufErstellen Sie Erklärbarkeitaus.

  5. In derName der ErklärbarkeitGeben Sie einen eindeutigen Namen für die Prognoseerklärbarkeit ein.

  6. In derWählen Sie Prognosen auswählen Sie Ihre Prognose aus.

  7. In derS3-SpeicherortGeben Sie den Speicherort der CSV-Datei mit Ihrer Zeitreihe ein.

  8. In derDatenschema, setze dieAttributnameundAttributtypder Artikelnummer und den Dimensionen, die in Ihrer Zeitreihe verwendet werden.

  9. Klicken Sie aufErstellen Sie Explainability.

SDK

So geben Sie Zeitreihen für Forecast Prognoseerklärbarkeit an

Verwendung derCreateExplainabilityGeben Sie beim Betrieb einen eindeutigen Namen für ExplainabilityName ein und geben Sie Ihren Prognosezeitraums für ResourceArn ein.

Konfigurieren Sie die folgenden Datentypen:

  • ExplainabilityConfig- setze Werte für TimeSeriesGranularity auf „SPECIFIC“ und timePointGranularity auf „ALL“. (Um Zeitpunkte anzugeben, setzen Sie timePointGranularity auf „SPEZIFISCH“. Siehe .Angeben von Zeitpunkten)

  • S3Config- setze die Werte für „Pfad“ auf den S3-Speicherort der CSV-Datei und „Rolearn“ auf eine Rolle mit Zugriff auf den S3-Bucket.

  • Schema- definieren Sie „attributeName“ und „attributeType“ für item_id und die Dimensionen in Ihrer Zeitreihe.

Das folgende Beispiel zeigt ein Schema für Zeitreihen mit einer Kombination aus „item_id“ und der Dimension „store_location“.

{ "ExplainabilityName" : [unique_name], "ResourceArn" : [forecast_arn], "ExplainabilityConfig" { "TimeSeriesGranularity": "SPECIFIC", "TimePointGranularity": "ALL" }, "DataSource": { "S3Config": { "Path": [S3_path_to_CSV_file], "RoleArn":[role-to-access-s3-bucket] } }, "Schema": { "Attributes": [ { "AttributeName": "item_id", "AttributeType": "string" }, { "AttributeName": "store_location", "AttributeType": "string" } ] }, }

Angeben von Zeitpunkten

Anmerkung

Wenn Sie keine Zeitpunkte angeben ("TimePointGranularity": "ALL") berücksichtigt Amazon Forecast bei der Berechnung der Auswirkungswerte den gesamten Prognosehorizont.

Wenn Sie Zeitpunkte für die Prognoseerklärbarkeit angeben, berechnet Amazon Forecast Auswirkungswerte für Attribute für diesen bestimmten Zeitraum. Sie können bis zu 500 aufeinanderfolgende Zeitpunkte innerhalb des Prognosehorizonts angeben.

Beispielsweise möchte ein Einzelhändler möglicherweise wissen, wie sich seine Attribute auf den Umsatz im Winter auswirken. In diesem Anwendungsfall würden sie die Zeitpunkte angeben, die nur die Winterperiode im Prognosehorizont erstrecken sollen.

Sie können Zeitpunkte mit der Prognosekonsole oder dem Forecast Software Development Kit (SDK) angeben.

Console

So geben Sie Zeitreihen für Forecast Prognoseerklärbarkeit an

  1. Melden Sie sich beim anAWS Management Consoleund öffnen Sie die Amazon Forecast-Konsole unterhttps://console.aws.amazon.com/forecast/aus.

  2. AusDataset-Gruppenwählen Sie Ihre Dataset-Gruppe aus.

  3. Wählen Sie im Navigationsbereich Insights aus.

  4. Klicken Sie aufErstellen Sie Erklärbarkeitaus.

  5. In derName der ErklärbarkeitGeben Sie einen eindeutigen Namen für die Prognoseerklärbarkeit ein.

  6. In derWählen Sie Prognosen auswählen Sie Ihre Prognose aus.

  7. In derS3-SpeicherortGeben Sie den Speicherort der CSV-Datei mit Ihrer Zeitreihe ein.

  8. In derDatenschema, setze dieAttributnameeinAttributtypder Artikelnummer und den Dimensionen, die in Ihrer Zeitreihe verwendet werden.

  9. In derDauer der ZeitGeben Sie das Start- und das Enddatum im Kalender ein.

  10. Klicken Sie aufErstellen Sie Explainability.

SDK

So geben Sie Zeitreihen für Forecast Prognoseerklärbarkeit an

Verwendung derCreateExplainabilityGeben Sie beim Betrieb einen eindeutigen Namen für ExplainabilityName ein und geben Sie Ihren Prognosezeitraums für ResourceArn ein. Stellen Sie das Startdatum ein (StartDateTime) und Enddatum (EndDateTime) unter Verwendung des folgenden Zeitstempelformats:yyyy-MM-ddTHH:mm:ss(Beispiel: 2015-01-01T 20:00:00).

Konfigurieren Sie die folgenden Datentypen:

  • ExplainabilityConfig- setze Werte für TimeSeriesGranularity auf „SPECIFIC“ und timePointGranularity auf „SPEZIFISCH“.

  • S3Config- setze die Werte für „Pfad“ auf den S3-Speicherort der CSV-Datei und „Rolearn“ auf eine Rolle mit Zugriff auf den S3-Bucket.

  • Schema- definieren Sie „attributeName“ und „attributeType“ für item_id und die Dimensionen in Ihrer Zeitreihe.

Das folgende Beispiel zeigt ein Schema für Zeitreihen mit einer Kombination aus „item_id“ und der Dimension „store_location“.

{ "ExplainabilityName" : [unique_name], "ResourceArn" : [forecast_arn], "ExplainabilityConfig" { "TimeSeriesGranularity": "SPECIFIC", "TimePointGranularity": "SPECIFIC" }, "DataSource": { "S3Config": { "Path": [S3_path_to_CSV_file], "RoleArn":[role-to-access-s3-bucket] } }, "Schema": { "Attributes": [ { "AttributeName": "item_id", "AttributeType": "string" }, { "AttributeName": "store_location", "AttributeType": "string" } ] }, "StartDateTime": "string", "EndDateTime": "string", }

Visualisieren der Prognoseerklärbarkeit

Beim Erstellen der Prognoseerklärbarkeit in der Konsole visualisiert Forecast automatisch Ihre Wirkungswerte. Beim Erstellen der Prognoseerklärbarkeit mit demCreateExplainabilityBetrieb, einstellenEnableVisualizationauf „true“ und Impact Scores für diese Erklärbarkeitsressource werden innerhalb der Konsole visualisiert.

Die Visualisierungen des Wirkungsgrads dauern 30 Tage ab dem Datum der Erstellung der Erklärbarkeit. Um die Visualisierung neu zu erstellen, erstellen Sie eine neue Prognoseerklärbarkeit.

Exportieren der Prognoseerklärbarkeit

Anmerkung

Exportdateien können Informationen aus dem Dataset-Import direkt zurückgeben. Dies macht die Dateien anfällig für CSV-Injektion, wenn die importierten Daten Formeln oder Befehle enthalten. Aus diesem Grund können exportierte Dateien Sicherheitswarnungen auslösen. Um bösartige Aktivitäten zu vermeiden, deaktivieren Sie Links und Makros beim Lesen exportierter Dateien.

Mit Forecast können Sie eine CSV-Datei mit Auswirkungswerten an einen S3-Speicherort exportieren.

Der Export enthält rohe und normalisierte Auswirkungswerte für die angegebene Zeitreihe sowie normalisierte aggregierte Auswirkungswerte für alle angegebenen Zeitreihen und alle angegebenen Zeitpunkte. Wenn Sie keine Zeitpunkte angegeben haben, werden die Auswirkungswerte bereits für alle Zeitpunkte in Ihrem Prognosehorizont aggregiert.

Sie können die Prognoseerklärbarkeit mithilfe des Amazon Forecast Software Development Kit (SDK) und der Amazon Forecast Console exportieren.

Console

So exportieren Sie Prognoseerklärbarkeit

  1. Melden Sie sich beim anAWS Management Consoleund öffnen Sie die Amazon Forecast-Konsole unterhttps://console.aws.amazon.com/forecast/aus.

  2. AusDataset-Gruppenwählen Sie Ihre Dataset-Gruppe aus.

  3. Wählen Sie im Navigationsbereich Insights aus.

  4. Wählen Sie Ihre Erklärbarkeit aus.

  5. Von derAktionenDropdown-Menü wählenExportaus.

  6. In derExportieren von NamenGeben Sie einen eindeutigen Namen für den Export der Prognoseerklärbarkeit ein.

  7. In derExportstandort für S3 Erklärbarkeitden S3-Speicherort zum Exportieren der CSV-Datei ein.

  8. In derIAM Role (IAM-Rolle)wählen Sie eine Rolle mit Zugriff auf den ausgewählten S3-Standort aus.

  9. Klicken Sie aufErklärbarkeitsexport erstellenaus.

SDK

So exportieren Sie Prognoseerklärbarkeit

Verwendung dercreateExplainabilityExport, geben Sie Ihren S3-Standort und Ihre IAM-Rolle in derDestinationObjekt, zusammen mit demExplainabilityArnundExplainabilityExportNameaus.

Beispiel:

{ "Destination": { "S3Config": { "Path": "s3://bucket/example-path/", "RoleArn": "arn:aws:iam::000000000000:role/ExampleRole" } }, "ExplainabilityArn": "arn:aws:forecast:region:explainability/example", "ExplainabilityName": "Explainability-export-name", }

Einschränkungen und bewährte Methoden

Berücksichtigen Sie bei der Arbeit mit Prognoseerklärbarkeit die folgenden Einschränkungen und bewährten Methoden.

  • Forecast Prognoseerklärbarkeit ist nur für Prognosen verfügbar, die aus AutoRedictor generiert wurden -Sie können Forecast Prognoseerklärbarkeit für Prognosen, die aus älteren Prädiktoren (AutoML oder manuelle Auswahl) generiert wurden, nicht aktivieren. Siehe .Aktualisieren auf AutoPredictoraus.

    Erklärbarkeit erfordert Attribute- Ihr Prädiktor muss mindestens einen der folgenden Elemente enthalten: verwandte Zeitreihen, Artikelmetadaten, Feiertage oder den Wetterindex.

  • Auswirkungswerte von Null bezeichnen keine Auswirkungen- Wenn ein Attribut einen Auswirkungswert von 0 hat, hat dieses Attribut keine signifikanten Auswirkungen auf Prognosewerte.

  • Geben Sie maximal 50 Zeitreihen an- Sie können bis zu 50 Zeitreihen pro Prognoseerklärbarkeit angeben.

  • Geben Sie maximal 500 Zeitpunkte an- Sie können bis zu 500 aufeinanderfolgende Zeitpunkte pro Prognoseerklärbarkeit angeben.

  • Forecast berechnet auch einige aggregierte Impact-Scores- Die Forecast wird auch aggregierte Auswirkungswerte für die angegebenen Zeitreihen und Zeitpunkte liefern.

  • Erstellen Sie mehrere Ressourcen zur Prognoseerklärbarkeit für eine einzelne Forecast- Wenn Sie Auswirkungswerte für mehr als 50 Zeitreihen oder 500 Zeitpunkte wünschen, können Sie Chargen Erklärbarkeitsressourcen erstellen, um einen größeren Bereich zu erstrecken.

  • Vergleichen Sie Rohwirkungswerte über verschiedene Ressourcen zur Prognoseerklärbarkeit- Rohwirkungswerte können direkt über Erklärbarkeitsressourcen derselben Prognose hinweg verglichen werden.

  • Predictor-Visualisierungen für Explainability sind nach der Erstellung 30 Tage lang verfügbar- Um die Visualisierung nach 30 Tagen anzuzeigen, trainieren Sie den Prädiktor neu.