Amazon Forecast ist für Neukunden nicht mehr verfügbar. Bestehende Kunden von Amazon Forecast können den Service weiterhin wie gewohnt nutzen. [Erfahren Sie mehr“ ](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
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.
# Umgang mit fehlenden Werten
Ein häufiges Problem in Zeitreihenprognosedaten sind fehlende Werte. Ihre Daten können aus verschiedenen Gründen fehlende Werte enthalten, darunter Messfehler, Formatierungsprobleme, menschliche Fehler oder fehlende Informationen, die aufgezeichnet werden müssen. Wenn Sie beispielsweise die Produktnachfrage für ein Einzelhandelsgeschäft prognostizieren und ein Artikel ausverkauft oder nicht verfügbar ist, gibt es keine Verkaufsdaten, die aufgezeichnet werden müssen, solange dieser Artikel nicht vorrätig ist. Bei ausreichender Prävalenz können fehlende Werte erhebliche Auswirkungen auf die Genauigkeit eines Modells haben.
Amazon Forecast bietet eine Reihe von Füllmethoden, um fehlende Werte in Ihren Zielzeitreihen und verwandten Zeitreihen-Datensätzen zu behandeln. Füllen ist der Prozess des Hinzufügens standardisierter Werte zu fehlenden Einträgen in Ihrem Datensatz.
Forecast unterstützt die folgenden Füllmethoden:
+ **Mittlere Füllung ** — Füllt alle fehlenden Werte zwischen Artikelstart- und Artikelenddatum eines Datensatzes aus.
+ **Auffüllen ** — Füllt alle fehlenden Werte zwischen dem letzten aufgezeichneten Datenpunkt und dem globalen Enddatum eines Datensatzes aus.
+ **Zukünftiges Ausfüllen (nur verwandte Zeitreihen) ** — Füllt alle fehlenden Werte zwischen dem globalen Enddatum und dem Ende des Prognosehorizonts aus.
Die folgende Abbildung bietet eine visuelle Darstellung verschiedener Füllmethoden.
## Auswählen der Fülllogik
Bei der Auswahl einer Fülllogik sollten Sie überlegen, wie die Logik von Ihrem Modell interpretiert wird. In einem Einzelhandelsszenario unterscheidet sich beispielsweise die Erfassung von 0 Verkäufen eines verfügbaren Artikels von der Erfassung von 0 Verkäufen eines nicht verfügbaren Artikels, da letzteres kein mangelndes Kundeninteresse an dem Artikel impliziert. Aus diesem Grund kann das `0` Ausfüllen der Zielzeitreihe dazu führen, dass der Prädiktor bei seinen Prognosen zu wenig voreingenommen ist, während beim `NaN` Ausfüllen möglicherweise das tatsächliche Vorkommen, dass 0 verfügbare Artikel verkauft werden, ignoriert und der Prädiktor zu stark verzerrt wird.
Die folgenden Zeitreihendiagramme veranschaulichen, wie die Auswahl des falschen Füllwerts die Genauigkeit Ihres Modells erheblich beeinflussen kann. In den Diagrammen A und B wird die Nachfrage für einen Artikel dargestellt, der teilweise nicht vorrätig ist, wobei die schwarzen Linien die tatsächlichen Verkaufsdaten darstellen. Fehlende Werte in A1 werden mit `0` gefüllt, was zu Prognosen mit relativ schwacher Tendenz (dargestellt durch die gepunkteten Linien) in A2 führt. Ebenso werden fehlende Werte in B1 mit `NaN` gefüllt, was zu Prognosen mit höherer Genauigkeit in B2 führt.
Eine Liste der unterstützten Fülllogik finden Sie im folgenden Abschnitt.
## Zielzeitreihen und zugehörige Zeitreihenfülllogik
Füllungen sind bei Zielzeitreihen und zugehörigen Zeitreihen-Datasets möglich. Jeder Dataset-Typ weist unterschiedliche Füllrichtlinien und Einschränkungen auf.
**Füllrichtlinien**
| Dataset-Typ | Standardmäßig füllen? | Unterstützte Füllmethoden | Standardfülllogik | Akzeptierte Fülllogik |
| --- | --- | --- | --- | --- |
| Zielzeitreihe | Ja | Mittel- und Rückfüllung | 0 | + `zero` – 0-Füllung.
+ `value` – eine Ganzzahl oder Gleitkommazahl.
+ `nan` – keine Zahl.
+ `mean` – der Mittelwert aus der Datenreihe.
+ `median` – der Medianwert aus der Datenreihe.
+ `min` – der kleinste Wert aus der Datenreihe.
+ `max` – der höchste Wert aus der Datenreihe. |
| Zugehörige Zeitreihen | Nein | Mittel-, Rück- und zukünftige Füllung | Kein Standard | + `zero` – 0-Füllung.
+ `value` – eine Ganzzahl oder eine Gleitkommazahl.
+ `mean` – der Mittelwert aus der Datenreihe.
+ `median` – der Medianwert aus der Datenreihe.
+ `min` – der kleinste Wert aus der Datenreihe.
+ `max` – der höchste Wert aus der Datenreihe. |
**Wichtig**
Sowohl für Zieldatensätze als auch für verwandte Zeitreihen-Datensätze `max` werden`mean`, `median``min`, und auf der Grundlage eines fortlaufenden Fensters berechnet, in dem die 64 letzten Dateneinträge vor den fehlenden Werten angezeigt werden.
## Syntax fehlender Werte
Um das Ausfüllen fehlender Werte durchzuführen, geben Sie beim Aufrufen des [ CreatePredictor ](API_CreatePredictor.md) Vorgangs die Art der Füllung an, die implementiert werden soll. Die Fülllogik wird in [ FeaturizationMethod ](API_FeaturizationMethod.md) Objekten angegeben.
Der folgende Auszug veranschaulicht ein korrekt formatiertes `FeaturizationMethod`-Objekt für ein Zielzeitreihenattribut und ein zugehöriges Zeitreihenattribut (jeweils `target_value` und `price`).
Um einer Füllmethode einen bestimmten Wert zuzuweisen, setzen Sie den Füllparameter auf `value` und definieren Sie den Wert in einem entsprechenden `_value` Parameter. Wie unten gezeigt, wird das Auffüllen der zugehörigen Zeitreihen auf den Wert 2 gesetzt, und zwar mit den folgenden Angaben: `"backfill": "value"` und`"backfill_value":"2"`.
```
[
{
"AttributeName": "target_value",
"FeaturizationPipeline": [
{
"FeaturizationMethodName": "filling",
"FeaturizationMethodParameters": {
"aggregation": "sum",
"middlefill": "zero",
"backfill": "zero"
}
}
]
},
{
"AttributeName": "price",
"FeaturizationPipeline": [
{
"FeaturizationMethodName": "filling",
"FeaturizationMethodParameters": {
"middlefill": "median",
"backfill": "value",
"backfill_value": "2",
"futurefill": "max"
}
}
]
}
]
```