Menggunakan Set Data Metadata Item

Kumpulan data metadata item berisi data kategoris yang memberikan konteks berharga untuk item dalam kumpulan data deret waktu target. Tidak seperti kumpulan data deret waktu terkait, kumpulan data metadata item memberikan informasi yang statis. Artinya, nilai data tetap konstan dari waktu ke waktu, seperti warna atau merek item. Kumpulan data metadata item adalah tambahan opsional untuk grup kumpulan data Anda. Anda dapat menggunakan metadata item hanya jika setiap item dalam kumpulan data deret waktu target Anda ada dalam kumpulan data metadata item yang sesuai.

Metadata item dapat mencakup merek, warna, model, kategori, tempat asal, atau fitur tambahan lainnya dari item tertentu. Misalnya, kumpulan data metadata item mungkin memberikan konteks untuk beberapa data permintaan yang ditemukan dalam kumpulan data deret waktu target yang mewakili penjualan e-reader Amazon hitam dengan penyimpanan 32 GB. Karena karakteristik ini tidak berubah dari day-to-day atau hour-to-hour, mereka termasuk dalam kumpulan data metadata item.

Metadata item berguna untuk menemukan dan melacak pola deskriptif di seluruh data deret waktu Anda. Jika Anda menyertakan kumpulan data metadata item dalam grup kumpulan data Anda, Forecast dapat melatih model untuk membuat prediksi yang lebih akurat berdasarkan kesamaan di seluruh item. Misalnya, Anda mungkin menemukan bahwa produk asisten virtual yang dibuat oleh Amazon lebih mungkin terjual habis daripada yang dibuat oleh perusahaan lain, dan kemudian rencanakan rantai pasokan Anda sesuai dengan itu.

Metadata item sangat berguna dalam skenario peramalan coldstart, di mana Anda tidak memiliki data historis untuk membuat prediksi, tetapi memiliki data historis pada item dengan atribut metadata serupa. Metadata item memungkinkan Forecast untuk memanfaatkan item serupa ke item coldstart Anda untuk menghasilkan perkiraan.

Saat Anda menyertakan metadata item, Forecast membuat perkiraan coldstart berdasarkan deret waktu yang serupa, yang dapat membuat perkiraan yang lebih akurat. Prakiraan Coldstart dibuat untuk item yang ada dalam kumpulan data metadata item tetapi tidak dalam deret waktu tambahan. Pertama, Forecast menghasilkan perkiraan untuk item non-coldstart, yang merupakan item dengan data historis dalam deret waktu tambahan. Selanjutnya, untuk setiap item coldstart, tetangga terdekatnya ditemukan menggunakan dataset metadata item. Kemudian, tetangga terdekat ini digunakan untuk membuat ramalan coldstart.

Setiap baris dalam kumpulan data metadata item dapat berisi hingga 10 bidang metadata, salah satunya harus berupa bidang identifikasi untuk mencocokkan metadata dengan item dalam deret waktu target. Seperti semua jenis kumpulan data, nilai setiap bidang ditentukan oleh skema kumpulan data.

Notebook Python

Untuk step-by-step panduan tentang penggunaan metadata item, lihat Memasukkan Metadata Item.

Contoh: Item Metadata File dan Skema

Tabel berikut menunjukkan bagian dari file dataset metadata item yang dikonfigurasi dengan benar yang menjelaskan e-reader Amazon. Untuk contoh ini, asumsikan bahwa baris header mewakili skema kumpulan data, dan bahwa setiap item yang terdaftar berada dalam kumpulan data deret waktu target yang sesuai.

item_id	brand	model	color	waterproof
1	amazon	kertas putih	hitam	Ya
2	amazon	kertas putih	biru	Ya
3	amazon	base_model	hitam	tidak
4	amazon	base_model	putih	tidak
...

Berikut ini adalah informasi yang sama yang diwakili dalam format CSV.

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

Berikut ini adalah skema untuk contoh dataset ini.

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

Prediktor Warisan dan Metadata Item

catatan

Untuk memutakhirkan prediktor yang ada ke AutoPredictor, lihat Upgrade ke AutoPredictor

Saat menggunakan prediktor lama, Anda dapat menggunakan metadata item saat melatih prediktor dengan algoritma CNN-QR atau DeepAR+. Saat menggunakan AutoML, Anda dapat memberikan metadata Item dan Forecast hanya akan menggunakan deret waktu tersebut jika berlaku

Lihat Juga

Untuk panduan mendalam tentang penggunaan kumpulan data metadata item, lihat Memasukkan Kumpulan Data Metadata Item ke dalam Prediktor Anda di Repositori Sampel Amazon Forecast. GitHub