Utilisation des jeux de données de métadonnées d'élément

Un jeu de métadonnées d'éléments contient des données catégoriques qui fournissent un contexte précieux pour les éléments d'un jeu de données de séries chronologiques cible. Contrairement aux jeux de données de série chronologique associés, les jeux de données de métadonnées d'élément fournissent des informations statiques. Autrement dit, la valeur des données reste constante au fil du temps, comme la couleur ou la marque d'un élément. Les ensembles de données de métadonnées d'éléments sont des ajouts facultatifs à vos groupes de jeux de données. Vous pouvez utiliser des métadonnées d'élément uniquement si chaque élément de votre jeu de données de série chronologique cible est présent dans le jeu de données de métadonnées d'élément correspondant.

Les métadonnées d'élément peuvent inclure la marque, la couleur, le modèle, la catégorie, le lieu d'origine ou toute autre caractéristique supplémentaire d'un élément particulier. Par exemple, un jeu de données de métadonnées d'élément peut fournir un contexte pour certaines des données de demande trouvées dans un jeu de données de série chronologique cible représentant les ventes de liseuses Amazon noires avec 32 Go de stockage. Étant donné que ces caractéristiques ne changent pas par rapport à un jeu de métadonnées d'élément day-to-day ou hour-to-hour qu'elles ont leur place dans celui-ci.

Les métadonnées d'élément sont utiles pour découvrir et suivre des modèles descriptifs dans vos données chronologiques. Si vous incluez un jeu de métadonnées d'éléments dans votre groupe de jeux de données, Forecast peut entraîner le modèle pour qu'il fasse des prédictions plus précises en fonction des similitudes entre les éléments. Par exemple, vous pouvez constater que les produits d'assistant virtuel conçus par Amazon sont plus susceptibles d’être vendus que ceux créés par d'autres sociétés, puis planifier votre chaîne d'approvisionnement en conséquence.

Les métadonnées des éléments sont particulièrement utiles dans les scénarios de prévision démarrés à froid, dans lesquels vous ne disposez d'aucune donnée historique pour effectuer des prévisions, mais de données historiques sur des éléments présentant des attributs de métadonnées similaires. Les métadonnées des éléments permettent à Forecast de tirer parti d'éléments similaires à ceux de vos éléments de démarrage à froid pour produire une prévision.

Lorsque vous incluez des métadonnées d'article, Forecast crée des prévisions de démarrage à froid basées sur des séries chronologiques similaires, ce qui permet de créer des prévisions plus précises. Les prévisions Coldstart sont générées pour les éléments figurant dans le jeu de métadonnées des articles, mais pas dans la série chronologique de fin. Forecast génère tout d'abord des prévisions pour les éléments non démarrés à froid, c'est-à-dire les éléments dont les séries chronologiques de fin contiennent des données historiques. Ensuite, pour chaque élément coldstart, ses voisins les plus proches sont trouvés à l'aide du jeu de données de métadonnées de l'élément. Ces voisins les plus proches sont ensuite utilisés pour créer une prévision de démarrage à froid.

Chaque ligne d'un jeu de données de métadonnées d'élément peut contenir jusqu'à 10 champs de métadonnées, dont un doit être un champ d'identification pour faire correspondre les métadonnées à un élément de la série chronologique cible. Comme pour tous les types de jeux de données, les valeurs de chaque champ sont désignées par un schéma de jeu de données.

Carnets en Python

Pour un step-by-step guide sur l'utilisation des métadonnées des articles, voir Incorporation des métadonnées des articles.

Exemple : Fichier de métadonnées d'élément et schéma

Le tableau suivant présente une section d'un fichier de jeu de données de métadonnées d'élément correctement configuré qui décrit les liseuses Amazon. Dans cet exemple, on considère que la ligne d'en-tête représente le schéma du jeu de données et que chaque élément répertorié se trouve dans un jeu de données de série chronologique cible correspondant.

item_id	brand	model	color	waterproof
1	amazon	paperwhite	black	oui
2	amazon	paperwhite	blue	oui
3	amazon	base_model	black	non
4	amazon	base_model	white	non
...

Voici les mêmes informations présentées au format CSV.

1,amazon,paperwhite,black,yes
2,amazon,paperwhite,blue,yes
3,amazon,base_model,black,no
4,amazon,base_model,white,no
...

Voici le schéma pour cet exemple de jeu de données.

{
     "attributes": [
        {
           "AttributeName": "item_id",
           "AttributeType": "string"
        },
        {
           "AttributeName": "brand",
           "AttributeType": "string"
        },
        {
           "AttributeName": "model",
           "AttributeType": "string"
        },
        {
           "AttributeName": "color",
           "AttributeType": "string"
        },
        {
           "AttributeName": "waterproof",
           "AttributeType": "string"
        }
    ]
}

Prédicteurs existants et métadonnées des articles

Note

Pour mettre à niveau un prédicteur existant vers AutoPredictor, voir Mise à niveau vers AutoPredictor

Lorsque vous utilisez un prédicteur existant, vous pouvez utiliser les métadonnées des éléments lors de l'entraînement d'un prédicteur avec les algorithmes CNN-QR ou DeepAr+. Lorsque vous utilisez AutoML, vous pouvez fournir des métadonnées d'article et Forecast n'utilisera ces séries chronologiques que le cas échéant

consultez aussi

Pour une présentation détaillée de l'utilisation des ensembles de données de métadonnées d'articles, consultez la section Incorporation d'ensembles de données de métadonnées d'articles dans votre prédicteur dans le référentiel d'échantillons Amazon Forecast. GitHub