Explicabilidad del predictor.

La explicabilidad del predictor le ayuda a comprender mejor cómo afectan los atributos de sus conjuntos de datos a la variable de destino. Forecast utiliza una métrica llamada puntuaciones de impacto para cuantificar el impacto relativo de cada atributo y determinar si aumentan o disminuyen los valores de previsión.

Por ejemplo, imaginemos un escenario de previsión en el que el objetivo es sales y hay dos atributos relacionados: price y color. Forecast puede determinar que el precio de un artículo tiene un impacto significativo en las ventas (puntuación de impacto alta), mientras que el color del artículo tiene un efecto insignificante (puntuación de impacto baja).

Para habilitar la explicabilidad del predictor, su predictor debe incluir al menos uno de los siguientes elementos: series temporales relacionadas, metadatos de artículos o conjuntos de datos adicionales, como Días festivos e Índice meteorológico. Para obtener más información, consulte Restricciones y prácticas recomendadas.

Para ver las puntuaciones de impacto agregadas de todas las series temporales y puntos de tiempo de sus conjuntos de datos, utilice Explicabilidad de previsión en lugar de Explicabilidad del predictor. Consulte Explicabilidad de previsión.

Interpretación de las puntuaciones de impacto

Las puntuaciones de impacto miden el impacto relativo que tienen los atributos en los valores de previsión. Por ejemplo, si el atributo “precio” tiene una puntuación de impacto dos veces superior a la del atributo “ubicación de tienda”, podemos concluir que el precio de un artículo tiene el doble de impacto en los valores de previsión que la ubicación de la tienda.

Las puntuaciones de impacto también proporcionan información sobre si los atributos aumentan o disminuyen los valores de previsión. En la consola, esto se indica mediante los dos gráficos. Los atributos con barras azules aumentan los valores de previsión, mientras que los atributos con barras rojas disminuyen los valores de previsión.

En la consola, las puntuaciones de impacto van de 0 a 1, donde una puntuación de 0 indica que no hay impacto y una puntuación cercana a 1 indica un impacto significativo. En los SDK, las puntuaciones de impacto van de -1 a 1, y el signo indica la dirección del impacto.

Es importante tener en cuenta que las puntuaciones de impacto miden el impacto relativo de los atributos, no el impacto absoluto. Por lo tanto, las puntuaciones de impacto no se pueden utilizar para determinar si determinados atributos mejoran la precisión del modelo. Si un atributo tiene una puntuación de impacto baja, eso no significa necesariamente que tenga un impacto bajo en los valores de previsión; significa que tiene un impacto menor en los valores de previsión que otros atributos utilizados por el predictor.

Creación de la explicabilidad del predictor

nota

Puede crear un máximo de una explicabilidad del predictor por predictor

Al activar la explicabilidad del predictor, Amazon Forecast calcula las puntuaciones de impacto de todos los atributos de sus conjuntos de datos. Las puntuaciones de impacto se pueden interpretar como el impacto que tienen los atributos en los valores generales de las previsiones. Puede habilitar la explicabilidad del predictor cuando cree un predictor o puede habilitar la característica después de crear el predictor.

Cómo habilitar la explicabilidad del predictor para un nuevo predictor

Al habilitar la explicabilidad del predictor al crear un nuevo predictor, se crearán tanto un recurso de predictor como un recurso de explicabilidad. Puede habilitar Explicabilidad del predictor para un nuevo predictor mediante el kit de desarrollo de software (SDK) o la consola Amazon Forecast.

Console

Para habilitar Explicabilidad del predictor

1. Inicia sesión en la consola Amazon Forecast AWS Management Console y ábrela en https://console.aws.amazon.com/forecast/.

2. En Grupos de conjuntos de datos, elija su grupo de conjuntos de datos.

3. En el panel de navegación, elija Predictores.

4. Elija Entrenar un nuevo predictor.

5. En la sección de Configuración del predictor, elija Habilitar explicabilidad.

6. Proporcione valores para los siguientes campos obligatorios:

   • Nombre: un nombre de predictor único.

   • Frecuencia de previsión: la granularidad de sus previsiones.

   • Horizonte de previsión: el número de pasos de tiempo que se preven.

7. Elija Inicio

Python

Para permitir la explicabilidad de un nuevo predictor con el SDK para Python (Boto3), usa el método y establécelo en true. create_auto_predictor ExplainPredictor

El siguiente código crea un autopredictor que hace predicciones para 24 (ForecastHorizon) días (ForecastFrequency) en el futuro y que tiene ExplainPredictor establecido en true. Para obtener más información acerca de los parámetros obligatorios y opcionales, consulte CreateAutoPredictor.

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
)

Cómo habilitar la explicabilidad del predictor para un predictor existente

Al habilitar la explicabilidad del predictor para un predictor existente, se creará un recurso de explicabilidad para ese recurso. Solo puede crear un recurso de explicabilidad para los predictores que aún no contengan un recurso de explicabilidad. Para ver las puntuaciones de impacto de un conjunto de datos actualizado, vuelva a entrenar o vuelva a crear el predictor con los datos actualizados.

Puede habilitar Explicabilidad del predictor para un nuevo predictor mediante el kit de desarrollo de software (SDK) o la consola Amazon Forecast.

Console

Para habilitar Explicabilidad del predictor

1. Inicia sesión en la consola Amazon Forecast AWS Management Console y ábrela en https://console.aws.amazon.com/forecast/.

2. En Grupos de conjuntos de datos, elija su grupo de conjuntos de datos.

3. En el panel de navegación, elija Predictores.

4. Elija su predictor.

5. En la sección de Explicabilidad del predictor, elija Habilitar explicabilidad.

6. Proporcione un nombre único para la explicabilidad del predictor.

7. Elija Inicio

Python

Para habilitar Explicabilidad del predictor de un predictor existente con el SDK para Python (Boto3), utilice el método create_explainability. Especifique un nombre para la explicabilidad, el ARN para el predictor y para ExplainabilityConfig, establezca TimePointGranularity y TimeSeriesGranularity en ALL. Para crear una visualización de Explicabilidad que se pueda ver en la consola, establezca EnableVisualization en True.

Para obtener más información acerca de los parámetros obligatorios y opcionales, consulte 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
)

Exportación de la explicabilidad del predictor

nota

Los archivos de exportación pueden devolver directamente información de la importación del conjunto de datos. Esto hace que los archivos sean vulnerables a ejecuciones CSV si los datos importados contienen fórmulas o comandos. Por este motivo, los archivos exportados pueden provocar advertencias de seguridad. Para evitar actividades maliciosas, desactive los enlaces y las macros al leer los archivos exportados.

Forecast le permite exportar un archivo CSV o Parquet de puntuaciones de impacto a una ubicación de S3. Las puntuaciones de impacto van de -1 a 1, y el signo indica la dirección del impacto. Puede exportar puntuaciones de impacto mediante el kit de desarrollo de software (SDK) de Amazon Forecast y la consola Amazon Forecast.

Console

Para exportar Explicabilidad del predictor

1. Inicia sesión en la consola Amazon Forecast AWS Management Console y ábrela en https://console.aws.amazon.com/forecast/.

2. En Grupos de conjuntos de datos, elija su grupo de conjuntos de datos.

3. En el panel de navegación, elija Predictores.

4. Elija su predictor.

5. En la sección de Explicabilidad del predictor, elija Exportar.

6. Para el campo Nombre de exportación, proporcione un nombre exclusivo para la exportación.

7. Para el campo Ubicación de exportación de explicabilidad de S3, proporcione una ubicación de S3 para exportar el archivo CSV.

8. Para el campo Rol de IAM, proporcione un rol con acceso a la ubicación de S3 especificada.

9. Elija Crear exportación.

Python

Para exportar una explicabilidad del predictor con el SDK para Python (Boto3), utilice el método create_explainability_export. Asigne un nombre al trabajo, especifique el ARN de la explicabilidad y, en el objeto Destination, especifique la ubicación de destino de Amazon S3 y el rol de servicio de IAM.

Para obtener más información acerca de los parámetros obligatorios y opcionales, consulte 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'
)

Restricciones y prácticas recomendadas

Tenga en cuenta las siguientes restricciones y prácticas recomendadas para trabajar con Explicabilidad del predictor.

• La explicabilidad de los predictores solo está disponible para algunos predictores creados con AutoPredictor: no puede habilitar la explicabilidad para los predictores antiguos que se crearon con AutoML o mediante una selección manual. AutoPredictorConsulte Actualizar a.

• La explicabilidad predictiva no está disponible en todos los modelos: los modelos ARIMA (media móvil AutoRegressive integrada), ETS (modelo espacial de estados suavizados exponenciales) y NPTS (series temporales no paramétricas) no incorporan datos de series temporales externas. Por lo tanto, estos modelos no crean un informe de explicabilidad, incluso si se incluyen los conjuntos de datos adicionales.

• La explicabilidad requiere atributos: el predictor debe incluir al menos uno de los siguientes elementos: series temporales relacionadas, metadatos de los artículos, días festivos o el índice meteorológico.

• Los predictores están limitados a un recurso de explicabilidad: no se pueden crear varios recursos de explicabilidad para un predictor. Si está interesado en las puntuaciones de impacto para un conjunto de datos actualizado, vuelva a entrenar su predictor.

• Las puntuaciones de impacto de cero indican que no hay impacto: si un atributo tiene una puntuación de impacto de 0, dicho atributo no tendrá un impacto significativo en los valores de previsión.

• Reintentar los trabajos de Explicabilidad de Predictor fallidos: si Forecast crea correctamente un Predictor pero el trabajo de Explicabilidad de Predictor falla, puede volver a intentar crear Predictor Explicability en la consola o con la operación. CreateExplainability

• No puede crear puntuaciones de impacto para puntos de tiempo y series temporales específicos. Para ver las puntuaciones de impacto para puntos de tiempo y series temporales específicos, consulte Explicabilidad de previsión.

• Las visualizaciones de Explicabilidad del predictor están disponibles durante 90 días después de su creación: para ver la visualización después de 90 días, vuelva a entrenar el predictor.