Erklärbarkeit des Prädiktors

Predictor Explainability hilft Ihnen dabei, besser zu verstehen, wie sich die Attribute in Ihren Datensätzen auf Ihre Zielvariable auswirken. Forecast verwendet eine Metrik namens Impact Scores, um die relativen Auswirkungen der einzelnen Attribute zu quantifizieren und zu bestimmen, ob sie die Prognosewerte erhöhen oder verringern.

Betrachten Sie z. B. ein Prognoseszenario, in dem das Ziel sales ist und es zwei verwandte Attribute gibt: price und color. Forecast können ergeben, dass der Preis eines Artikels den Umsatz erheblich beeinflusst (hoher Impact Score), während die Farbe des Artikels einen vernachlässigbaren Effekt hat (niedriger Impact Score).

Um die Erklärbarkeit von Prädiktoren zu aktivieren, muss Ihr Prädiktor mindestens eines der folgenden Elemente enthalten: verwandte Zeitreihen, Artikelmetadaten oder zusätzliche Datensätze wie Feiertage und den Wetterindex. Weitere Informationen finden Sie unter Einschränkungen und bewährte Verfahren.

Verwenden Sie Forecast Explainability anstelle von Predictor Explainability, um Impact-Werte für bestimmte Zeitreihen und Zeitpunkte zu erstellen. Siehe Erklärbarkeit von Forecast.

Interpretation von Impact Scores

Auswirkungswerte messen die relativen Auswirkungen, die Attribute auf die Prognosewerte haben. Wenn das Attribut „Preis“ beispielsweise einen doppelt so hohen Impact Score hat wie das Attribut „Ladenstandort“, können Sie schlussfolgern, dass der Preis eines Artikels doppelt so viele Auswirkungen auf die Prognosewerte hat wie der Ladenstandort.

Die Auswirkungswerte geben auch Aufschluss darüber, ob die Attribute die Prognosewerte erhöhen oder verringern. In der Konsole wird dies durch die beiden Grafiken verdeutlicht. Attribute mit blauen Balken erhöhen die Prognosewerte, während Attribute mit roten Balken die Prognosewerte verringern.

In der Konsole liegen die Wirkungswerte im Bereich von 0 bis 1, wobei ein Wert von 0 für keine Auswirkung und ein Wert nahe 1 für eine signifikante Auswirkung steht. In den SDKs liegen die Impact-Werte im Bereich von -1 bis 1, wobei das Vorzeichen die Richtung des Aufpralls angibt.

Es ist wichtig zu beachten, dass Auswirkungswerte die relativen Auswirkungen von Attributen messen, und nicht die absoluten. Daher kann man anhand der Auswirkungswerte nicht bestimmen, ob bestimmte Attribute die Modellgenauigkeit verbessern. Wenn ein Attribut einen niedrigen Auswirkungswert hat, bedeutet das nicht unbedingt, dass es nur geringe Auswirkungen auf die Prognosewerte hat. Es bedeutet vielmehr, dass es geringere Auswirkungen auf die Prognosewerte hat als andere vom Prognoseparameter verwendete Attribute.

Erklärbarkeit von Predictor erstellen

Anmerkung

Sie können maximal eine Erklärbarkeit des Prädiktors pro Prädiktor erstellen

Wenn Sie Predictor Explainability aktivieren, berechnet Amazon Forecast die Impact-Werte für alle Attribute in Ihren Datensätzen. Die Impact-Werte können so interpretiert werden, dass sie die Auswirkungen der Attribute auf die Gesamtprognosewerte haben. Sie können die Erklärbarkeit von Prädiktoren aktivieren, wenn Sie einen Prädiktor erstellen, oder Sie können die Funktion aktivieren, nachdem Sie den Prädiktor erstellt haben.

Die Erklärbarkeit von Prädiktoren für einen neuen Prädiktor aktivieren

Wenn Sie beim Erstellen eines neuen Prädiktors die Erklärbarkeit von Prädiktoren aktivieren, werden sowohl eine Prädiktorressource als auch eine Erklärbarkeitsressource erstellt. Sie können Predictor Explainability für einen neuen Prädiktor mithilfe des Software Development Kit (SDK) oder der Amazon Forecast-Konsole aktivieren.

Console

Um Predictor Explainability zu aktivieren

1. Melden Sie sich bei der Amazon Forecast-Konsole an AWS Management Console und öffnen Sie sie unter https://console.aws.amazon.com/forecast/.

2. Wählen Sie unter Datensatzgruppen Ihre Datensatzgruppe aus.

3. Wählen Sie im Navigationsbereich Prädiktoren aus.

4. Wählen Sie Neuen Prädiktor trainieren aus.

5. Wählen Sie im Abschnitt Prädiktorkonfiguration die Option Erklärbarkeit aktivieren aus.

6. Geben Sie Werte für die folgenden Pflichtfelder ein:

   • Name — ein eindeutiger Prädiktorname.

   • Prognosefrequenz — die Granularität Ihrer Prognosen.

   • Prognosehorizont — Die Anzahl der zu prognostizierenden Zeitschritte.

7. Wählen Sie Starten

Python

Um die Erklärbarkeit für einen neuen Prädiktor mit dem SDK for Python (Boto3) zu aktivieren, verwenden Sie die create_auto_predictor Methode und setzen Sie sie auf true. ExplainPredictor

Der folgende Code erstellt einen auto Prädiktor, der Vorhersagen für 24 (ForecastHorizon) Tage (ForecastFrequency) in der future trifft und auf true ExplainPredictor gesetzt ist. Informationen zu erforderlichen und optionalen Parametern finden Sie unterCreateAutoPredictor.

import boto3
                            
forecast = boto3.client('forecast')

create_predictor_response = forecast.create_auto_predictor(
    PredictorName = 'predictor_name',
    ForecastHorizon = 24,
    ForecastFrequency = 'D',
    DataConfig = {
        "DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName"
    },
    ExplainPredictor = True
)

Die Erklärbarkeit von Prädiktoren für einen vorhandenen Prädiktor aktivieren

Wenn Sie die Erklärbarkeit von Prädiktoren für einen vorhandenen Prädiktor aktivieren, wird eine Erklärbarkeitsressource für diese Ressource erstellt. Sie können eine Erklärbarkeitsressource nur für Prädiktoren erstellen, die noch keine Erklärbarkeitsressource enthalten. Um die Wirkungswerte für einen aktualisierten Datensatz anzuzeigen, müssen Sie den Prädiktor anhand der aktualisierten Daten neu trainieren oder neu erstellen.

Sie können Predictor Explainability für einen neuen Prädiktor mithilfe des Software Development Kit (SDK) oder der Amazon Forecast-Konsole aktivieren.

Console

Um Predictor Explainability zu aktivieren

1. Melden Sie sich bei der Amazon Forecast-Konsole an AWS Management Console und öffnen Sie sie unter https://console.aws.amazon.com/forecast/.

2. Wählen Sie unter Datensatzgruppen Ihre Datensatzgruppe aus.

3. Wählen Sie im Navigationsbereich Prädiktoren aus.

4. Wählen Sie Ihren Prädiktor.

5. Wählen Sie im Abschnitt Erklärbarkeit des Prädiktors die Option Erklärbarkeit aktivieren aus.

6. Geben Sie einen eindeutigen Namen für die Erklärbarkeit des Prädiktors ein.

7. Wählen Sie Starten

Python

Verwenden Sie die Methode, um Predictor Explainability für einen vorhandenen Prädiktor mit dem SDK for Python (Boto3) zu aktivieren. create_explainability Geben Sie einen Namen für die Erklärbarkeit, den ARN für den Prädiktor und für anExplainabilityConfig, setzen Sie TimePointGranularity sowohl TimeSeriesGranularity als auch auf ALL. Um eine Erklärbarkeitsvisualisierung zu erstellen, die in der Konsole angezeigt werden kann, legen Sie den Wert auf True fest. EnableVisualization

Informationen zu erforderlichen und optionalen Parametern finden Sie unter. CreateExplainability

import boto3
                            
forecast = boto3.client('forecast')

create_explainability_response = forecast.create_explainability(
    ExplainabilityName = 'explainability_name',
    ResourceArn = 'arn:aws:forecast:region:accountNumber:predictor/predictorName',
    ExplainabilityConfig = { 
      "TimePointGranularity": "ALL",
      "TimeSeriesGranularity": "ALL"
    },
    EnableVisualization = True
)

Exportierbarkeit von Predictor

Anmerkung

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

Mit Forecast können Sie eine CSV- oder Parquet-Datei mit Impact-Ergebnissen an einen S3-Speicherort exportieren. Die Auswirkungswerte reichen von -1 bis 1, wobei das Vorzeichen die Richtung der Auswirkung angibt. Sie können Impact-Ergebnisse mit dem Amazon Forecast Software Development Kit (SDK) und der Amazon Forecast-Konsole exportieren.

Console

Um Predictor Explainability zu exportieren

1. Melden Sie sich bei der Amazon Forecast-Konsole an AWS Management Console und öffnen Sie sie unter https://console.aws.amazon.com/forecast/.

2. Wählen Sie unter Datensatzgruppen Ihre Datensatzgruppe aus.

3. Wählen Sie im Navigationsbereich Prädiktoren aus.

4. Wählen Sie Ihren Prädiktor.

5. Wählen Sie im Abschnitt Erklärbarkeit des Prädiktors die Option Exportieren aus.

6. Geben Sie für das Feld Exportname einen eindeutigen Namen für den Export ein.

7. Geben Sie für das Feld S3-Exportspeicherort für Erklärbarkeit einen S3-Speicherort für den Export der CSV-Datei an.

8. Geben Sie für das Feld IAM-Rolle eine Rolle mit Zugriff auf den angegebenen S3-Standort an.

9. Wählen Sie Export erstellen.

Python

Verwenden Sie die Methode, um eine Prädiktor-Erklärbarkeit mit dem SDK for Python (Boto3) zu exportieren. create_explainability_export Geben Sie dem Job einen Namen, geben Sie den ARN der Erklärbarkeit an und geben Sie im Destination Objekt Ihren Amazon S3 S3-Zielort und Ihre IAM-Servicerolle an.

Informationen zu erforderlichen und optionalen Parametern finden Sie unter. CreateExplainabilityExport

import boto3
                        
forecast = boto3.client('forecast')

export_response = forecast.create_explainability_export(
    Destination = {
        "S3Config": {
            "Path": "s3://bucketName/filename.csv",
            "RoleArn": "arn:aws:iam::accountNumber:role/roleName"
        }
    },
    ExplainabilityArn = 'arn:aws:forecast:region:accountNumber:explainability/explainabilityName',
    ExplainabilityExportName = 'job_name'
)

Einschränkungen und bewährte Verfahren

Beachten Sie bei der Arbeit mit Predictor Explainability die folgenden Einschränkungen und bewährten Methoden.

• Die Erklärbarkeit von Prädiktoren ist nur für einige Prädiktoren verfügbar, die mit AutoPredictor — Sie können die Erklärbarkeit nicht für ältere Prädiktoren aktivieren, die mit AutoML oder durch manuelle Auswahl erstellt wurden. AutoPredictorSiehe Upgrade auf.

• Die Erklärbarkeit von Prädiktoren ist nicht für alle Modelle verfügbar. Die Modelle ARIMA (AutoRegressive Integrated Moving Average), ETS (Exponential Smoothing State Space Model) und NPTS (Non-Parametric Time Series) beziehen keine externen Zeitreihendaten ein. Daher erstellen diese Modelle keinen Erklärbarkeitsbericht, auch wenn Sie die zusätzlichen Datensätze einbeziehen.

• Für die Erklärbarkeit sind Attribute erforderlich — Ihr Prädiktor muss mindestens eines der folgenden Elemente enthalten: verwandte Zeitreihen, Elementmetadaten, Feiertage oder den Wetterindex.

• Prädiktoren sind auf eine Erklärbarkeitsressource beschränkt — Sie können nicht mehrere Erklärbarkeitsressourcen für einen Prädiktor erstellen. Wenn Sie an den Impact-Werten für einen aktualisierten Datensatz interessiert sind, trainieren Sie Ihren Prädiktor neu.

• Auswirkungswerte von Null bedeuten keine Auswirkung — Wenn ein Attribut einen Auswirkungswert von 0 hat, hat dieses Attribut keine signifikante Auswirkung auf die Prognosewerte.

• Fehlgeschlagene Predictor Explainability-Jobs wiederholen — Wenn Forecast erfolgreich einen Predictor erstellt, der Predictor Explainability-Job jedoch fehlschlägt, können Sie erneut versuchen, Predictor Explainability in der Konsole oder mit dem Vorgang zu erstellen. CreateExplainability

• Sie können keine Impact-Werte für bestimmte Zeitpunkte und Zeitreihen erstellen. Informationen zur Anzeige von Impact-Werten für bestimmte Zeitpunkte und Zeitreihen finden Sie unter Erklärbarkeit von Forecast.

• Visualisierungen zur Erklärbarkeit von Prädiktoren sind nach ihrer Erstellung 90 Tage lang verfügbar. Um die Visualisierung nach 90 Tagen anzuzeigen, müssen Sie den Prädiktor neu trainieren.