解譯影響分數建立 Forecast 解釋可視化 Forecast 解釋匯出 Forecast 解釋限制和最佳做法

Forecast 解釋

「Forecast 說明」可協助您進一步瞭解資料集中的屬性如何影響特定時間序列 (項目與維度組合) 與時間點的預測。「Forecast」使用稱為「影響分數」的量度來量化每個屬性的相對影響，並判斷它們是否增加或減少預測值。

例如，假設目標所為 sales 且有兩個相關屬性的預測案例：price 與 color。Forecast 可能會發現該項目的顏色對某些商品的銷售有很大的影響，但對其他項目的影響可忽略不計。它也可能發現，在夏季的促銷活動對銷售有很大的影響，但在冬季促銷影響不大。

若要啟用 Forecast 解釋功能，您的預測值必須至少包含下列其中一項：相關時間序列、項目中繼資料或其他資料集，例如假日和天氣索引。如需詳細資訊，請參閱限制和最佳做法。

若要檢視資料集中所有時間序列和時間點的彙總影響分數，請使用「Forecast 器解釋性」而非「預測解釋性」。請參閱預測器可解釋性。

Python 筆記本

如需 Forecast 解釋性的 step-by-step 指南，請參閱項目層級可解釋性。

解譯影響分數

影響分數會衡量屬性對預測值的相對影響。例如，如果「價格」屬性的影響分數是「商店位置」屬性的兩倍，則可以得出結論，商品價格對預測值的影響是商店位置的兩倍。

影響分數也會提供屬性是否增加或減少預測值的相關資訊。在控制台中，這是由兩個圖表表示。具有藍色長條的屬性會增加預測值，而具有紅色長條的屬性則會減少預測值。

值得注意的是，影響力分數衡量的是屬性的相對影響，而不是絕對影響。因此，影響分數無法用於確定特定屬性是否可以改善模型的準確性。如果某個屬性的影響分數較低，不一定表示它對預測值的影響較低；這表示與它對預測值的影響比預測器使用的其他屬性要小。

所有或部分影響分數都可能為零。如果功能對預測值沒有影響、僅 AutoPredictor 使用非 ML 演算法，或者您未提供相關的時間序列或項目中繼資料，就會發生這種情況。

對於「Forecast 解釋」，影響評分有兩種形式：標準化影響評分和原始影響評分。原始影響分數是以 Shapley 值為基礎，不會縮放或界限。歸一化的影響評分會將原始分數縮放為 -1 到 1 之間的值。

原始影響分數對於合併和比較不同解釋資源中的分數非常有用。例如，如果您的 Forecast 值包含 50 個以上的時間序列或超過 500 個時間點，您可以建立多個「預測解釋性」資源，以涵蓋更多組合的時間序列或時間點，並直接比較屬性的原始影響評分。但是，來自不同 Forecast 的「預測解釋」資源的原始影響評分無法直接比較。

在主控台中檢視影響分數時，您只會看到標準化的影響分數。匯出無法解釋功能將為您提供原始和標準化分數。

建立 Forecast 解釋

使用「Forecast 解釋」，您可以探索屬性如何影響特定時間點的特定時間序列的預測值。指定時間序列和時間點後，Amazon Forecast 只會計算那些特定時間序列和時間點的影響分數。

您可以使用軟體開發套件 (SDK) 或 Amazon Forecast 主控台為預測器啟用預測解釋功能。使用 SDK 時，請使用該CreateExplainability操作。

主題

指定時間序列
指定時間點

指定時間序列

注意

時間序列是項目 (item_id) 和資料集中所有維度的組合

當您指定「Forecast 解釋」的時間序列 (料號與維度組合) 時，Amazon Forecast 只會計算那些特定時間序列之屬性的影響評分。

若要指定時間序列清單，請將 CSV 檔案上傳依 item_id 和維度值識別時間序列的 CSV 檔案至 S3 儲存貯體。您最多可以指定 50 個時間序列。您也必須定義結構描述中時間序列的屬性和屬性類型。

例如，零售商可能想知道促銷如何影響特定商店地點的特定料號 (item_id) 銷售 (store_location)。在此使用案例中，您可以指定時間序列，該序列是項目識別碼和儲存位置的組合。

下列 CSV 檔案會選取下列五個時間序列：

物品編號：001，商店位置：西雅圖
物品編號：001，商店位置：紐約
商品編號：002，商店位置：西雅圖
物品編號：002，商店位置：紐約
物品編號：003，商店位置：丹佛


001, Seattle
001, New York
002, Seattle
002, New York
003, Denver

結構描述將第一個資料行定義為item_id，第二欄定義為store_location。

您可以使用「Forecast」主控台或「Forecast 軟體開發套件」(SDK) 來指定時間序列。

Console

若要指定「Forecast 解釋功能」的時間序列

登錄到 AWS Management Console 並打開 Amazon Forecast 控制台 https://console.aws.amazon.com/forecast/.
從資料集群組中，選擇您的資料集群組。
在導覽窗格中，選擇 Insights。
選擇「建立可解釋」。
在「無法解釋名稱」欄位中，提供「Forecast 解釋性」的唯一名稱。
在「選取預測」 欄位中，選擇您的預測。
在 S3 位置欄位中，輸入包含時間序列的檔案位置。
在「資料結構描述」欄位中，設定時間序列中使用的項目 ID 和維度的屬性名稱和屬性類型。
選擇「建立可解釋」。

SDK

若要指定「Forecast 解釋功能」的時間序列

使用CreateExplainability作業，提供唯一的名稱， ExplainabilityName 並提供您的預測 ARN。 ResourceArn

設定下列資料類型：

ExplainabilityConfig-將值設置 TimeSeriesGranularity 為「特定」和 TimePointGranularity 「全部」。（要指定時間點，請設置 TimePointGranularity 為「特定」。請參閱指定時間點)
S3Config-將「Path」的值設定為時間序列檔案的 S3 位置，並將「RoleArn」設定為可存取 S3 儲存貯體的角色。
Schema-定義 item_id 的「AttributeNameAttributeType」和「」以及時間序列中的維度。

下列範例顯示使用「item_id」和「儲存位置」維度組合的時間序列結構描述。


{
    "ExplainabilityName" : [unique_name],
    "ResourceArn" : [forecast_arn],
    "ExplainabilityConfig" {
        "TimeSeriesGranularity": "SPECIFIC",
        "TimePointGranularity": "ALL"
    },
    "DataSource": {
         "S3Config": {   
            "Path": [S3_path_to_file],          
            "RoleArn":[role-to-access-s3-bucket]
         }
      },
    "Schema": {
         "Attributes": [ 
            { 
               "AttributeName": "item_id",
               "AttributeType": "string"
            },
                        { 
               "AttributeName": "store_location",
               "AttributeType": "string"
            }
         ]
      },
}

指定時間點

注意

如果您未指定時間點 ("TimePointGranularity": "ALL")，Amazon Forecast 會在計算影響評分時考慮整個預測時程。

當您指定「Forecast 解釋」的時間點時，Amazon Forecast 會計算該特定時間範圍內屬性的影響分數。您可以在預測總時程內指定最多 500 個連續時間點。

例如，零售商可能想知道他們的屬性如何影響冬季的銷售。在此使用案例中，他們會指定時間點，以僅跨越預測時程中的冬季期間。

您可以使用「Forecast」主控台或「Forecast 軟體開發套件」(SDK) 來指定時間點。

Console

若要指定「Forecast 解釋功能」的時間序列

登錄到 AWS Management Console 並打開 Amazon Forecast 控制台 https://console.aws.amazon.com/forecast/.
從資料集群組中，選擇您的資料集群組。
在導覽窗格中，選擇 Insights。
選擇「建立可解釋」。
在「無法解釋名稱」欄位中，提供「Forecast 解釋性」的唯一名稱。
在「選取預測」 欄位中，選擇您的預測。
在 S3 位置欄位中，輸入包含時間序列的檔案位置。
在「資料結構描述」欄位中，將屬性名稱設定為項目 ID 和時間序列中使用的維度的屬性類型。
在「持續時間」欄位中，指定行事曆中的開始日期和結束日期。
選擇「建立可解釋」。

SDK

若要指定「Forecast 解釋功能」的時間序列

使用CreateExplainability作業，提供唯一的名稱， ExplainabilityName 並提供您的預測 ARN。 ResourceArn使用以下時間戳記格式設置開始日期（StartDateTimeEndDateTime）和結束日期yyyy-MM-ddTHH:mm:ss（）：（例如：2015-01-01T20：00:00）。

設定下列資料類型：

ExplainabilityConfig-將值設置 TimeSeriesGranularity 為「特定」和 TimePointGranularity 「特定」。
S3Config-將「Path」的值設定為時間序列檔案的 S3 位置，並將「RoleArn」設定為可存取 S3 儲存貯體的角色。
Schema-定義 item_id 的「AttributeNameAttributeType」和「」以及時間序列中的維度。

下列範例顯示使用「item_id」和「儲存位置」維度組合的時間序列結構描述。


{
    "ExplainabilityName" : [unique_name],
    "ResourceArn" : [forecast_arn],
    "ExplainabilityConfig" {
        "TimeSeriesGranularity": "SPECIFIC",
        "TimePointGranularity": "SPECIFIC"
    },
    "DataSource": {
         "S3Config": {   
            "Path": [S3_path_to_file],          
            "RoleArn":[role-to-access-s3-bucket]
         }
      },
    "Schema": {
         "Attributes": [ 
            { 
               "AttributeName": "item_id",
               "AttributeType": "string"
            },
                        { 
               "AttributeName": "store_location",
               "AttributeType": "string"
            }
         ]
      },
    "StartDateTime": "string",
    "EndDateTime": "string",
}

可視化 Forecast 解釋

在主控台中建立「Forecast 解釋」時，「Forecast」會自動將您的影響分數視覺化。使用CreateExplainability作業建立 Forecast 解釋時，請設定EnableVisualization為「true」，並在主控台內視覺化該解釋資源的影響分數。

影響分數視覺效果會從「無法解釋」建立之日起持續 30 天。若要重新建立視覺效果，請建立新的「Forecast 解釋性」。

匯出 Forecast 解釋

注意

匯出檔案可以直接從資料集匯入傳回資訊。如果匯入的資料含公式或命令，這會使檔案受到 CSV 注入的攻擊。因此，匯出的檔案可能會提示安全性警告。若要避免惡意活動，請在讀取匯出的檔案時停用連結和巨集。

Forecast 可讓您將影響分數的 CSV 檔案匯出至 S3 位置。

匯出包含指定時間序列的原始和標準化影響評分，以及所有指定時間序列和所有指定時間點的標準化彙總影響評分。如果您未指定時間點，則已彙總預測時程中所有時間點的影響分數。

您可以使用亞馬遜 Forecast 軟體開發套件 (SDK) 和 Amazon Forecast 主控台匯出預測解釋性。

限制和最佳做法

使用「Forecast 解釋」時，請考慮下列限制和最佳作法。

「Forecast 解釋」僅適用於某些自產生的「Forecast」 AutoPredictor -您無法針對從舊有預測器 (AutoML 或手動選取) 產生的「預測」啟用「預測解釋性」。請參閱升級到 AutoPredictor。
並非所有模型均提供 Forecast 解釋功能-ARIMA（AutoRegressive 整合移動平均線）、ETS（指數平滑狀態空間模型）和 NPTS（非參數式時間序列）模型不包含外部時間序列資料。因此，即使您包含額外的資料集，這些模型也不會建立無法解釋的報表。
無法解釋需要屬性-您的預測值必須至少包含下列其中一項：相關時間序列、項目中繼資料、假日或天氣指數。
影響評分為零表示沒有影響-如果一或多個屬性的影響評分為零，則這些屬性對預測值沒有重大影響。如果只 AutoPredictor 使用非 ML 演算法，或者您未提供相關的時間序列或項目中繼資料，則分數也可以為零。
指定最多 50 個時間序列-每個「Forecast 解釋」最多可指定 50 個時間序列。
指定最多 500 個時間點-每個「Forecast 解釋」最多可指定 500 個連續時間點。
「Fo@@ recast」也會計算某些彙總的影響評分-「Forecast」也會針對指定的時間序列和時間點提供彙總影響評分。
針對單一「Forecast」建立多重「Forecast 解釋性」資源-如果您想要 50 個以上的時間序列或 500 個時間點的影響評分，則可以分批建立「解釋性」資源，以跨越較大的範圍。
比較不同「Forecast 解釋性」資源中的原始影響評分-可以直接比較相同預測中「可解釋性」資源的原始影響評分。
「Fo@@ recast 解釋」視覺效果可在建立後 30 天內使用-若要在 30 天後檢視視覺效果，請使用相同的組態建立新的「Forecast 解釋性」。

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

產生預測

假設分析