Amazon Forecast ist für Neukunden nicht mehr verfügbar. Bestehende Kunden von Amazon Forecast können den Service weiterhin wie gewohnt nutzen. Erfahren Sie mehr“

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Erklärbarkeit der Forecast

Forecast Erklärbarkeit von Prognosen hilft Ihnen dabei, besser zu verstehen, wie sich die Attribute in Ihren Datensätzen auf Prognosen für bestimmte Zeitreihen (Element- und Dimensionskombinationen) und Zeitpunkte 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 die Farbe des Artikels bei bestimmten Artikeln einen großen Einfluss auf den Umsatz hat, bei anderen Artikeln jedoch nur einen vernachlässigbaren Effekt hat. Er kann auch feststellen, dass eine Werbeaktion im Sommer einen großen Einfluss auf den Umsatz hat, eine Werbeaktion im Winter jedoch kaum.

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

Um aggregierte Impact-Werte für alle Zeitreihen und Zeitpunkte in Ihren Datensätzen anzuzeigen, verwenden Sie Predictor Explainability anstelle von Forector Explainability. Siehe Erklärbarkeit von Prädiktoren.

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.

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.

Es ist möglich, dass alle oder einige Wirkungswerte Null sind. Dies kann der Fall sein, wenn die Features keinen Einfluss auf die Prognosewerte haben, sie nur einen Algorithmus AutoPredictor verwendet haben, der kein ML-Algorithmus ist, oder wenn Sie keine zugehörigen Zeitreihen- oder Elementmetadaten angegeben haben.

Für die Erklärbarkeit von Forecast gibt es zwei Formen von Impact-Scores: Normalisierte Impact-Werte und Raw Impact-Scores. Die unverarbeiteten Wirkungswerte basieren auf Shapley-Werten und sind weder skaliert noch begrenzt. Bei normalisierten Wirkungsgraden werden die Rohwerte auf einen Wert zwischen -1 und 1 skaliert.

Unformatierte Wirkungswerte sind nützlich, um die Ergebnisse verschiedener Ressourcen zur Erklärbarkeit zu kombinieren und zu vergleichen. Wenn Ihr Prädiktor beispielsweise über 50 Zeitreihen oder über 500 Zeitpunkte enthält, können Sie mehrere Ressourcen zur Erklärbarkeit von Forecast erstellen, um eine größere kombinierte Anzahl von Zeitreihen oder Zeitpunkten abzudecken, und die unverarbeiteten Wirkungswerte für Attribute direkt vergleichen. Die unverarbeiteten Wirkungswerte für Ressourcen zur Prognoseerklärbarkeit aus verschiedenen Prognosen sind jedoch nicht direkt vergleichbar.

Wenn Sie die Wirkungswerte in der Konsole anzeigen, werden Ihnen nur normalisierte Auswirkungswerte angezeigt. Wenn Sie Explainability exportieren, erhalten Sie sowohl Rohwerte als auch normalisierte Ergebnisse.

Erklärbarkeit von Forecast erstellen

Mit Forecast Explainability können Sie untersuchen, wie sich Attribute auf Prognosewerte für bestimmte Zeitreihen zu bestimmten Zeitpunkten auswirken. Nach der Angabe von Zeitreihen und Zeitpunkten berechnet Amazon Forecast die Impact-Werte nur für diese bestimmten Zeitreihen und Zeitpunkte.

Sie können Forecast Explainability für einen Prädiktor mithilfe des Software Development Kit (SDK) oder der Amazon Forecast-Konsole aktivieren. Wenn Sie das SDK verwenden, verwenden Sie den Vorgang. CreateExplainability

Zeitreihen angeben

Wenn Sie Zeitreihen (Artikel- und Dimensionskombinationen) für Forecast Explainability angeben, berechnet Amazon Forecast die Wirkungswerte für Attribute nur für diese bestimmten Zeitreihen.

Um eine Liste von Zeitreihen anzugeben, laden Sie eine CSV-Datei, die die Zeitreihen anhand ihrer item_id- und Dimensionswerte identifiziert, in einen S3-Bucket hoch. Sie können bis zu 50 Zeitreihen angeben. Sie müssen auch die Attribute und Attributtypen der Zeitreihen in einem Schema definieren.

Ein Einzelhändler möchte beispielsweise wissen, wie sich eine Werbeaktion auf den Verkauf eines bestimmten Artikels (item_id) an einem bestimmten Ladenstandort (store_location) auswirkt. In diesem Anwendungsfall würden Sie die Zeitreihe angeben, die die Kombination aus item_id und store_location darstellt.

Die folgende CSV-Datei wählt die folgenden fünf Zeitreihen aus:

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

Das Schema definiert die erste Spalte als item_id und die zweite Spalte als. store_location

Sie können Zeitreihen mit der Forecast-Konsole oder dem Forecast Software Development Kit (SDK) angeben.

Console

So geben Sie Zeitreihen für die Erklärbarkeit von Forecast an

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 Insights aus.

4. Wählen Sie „Erklärbarkeit erstellen“ aus.

5. Geben Sie im Feld Name der Erklärbarkeit einen eindeutigen Namen für die Erklärbarkeit der Forecast ein.

6. Wählen Sie im Feld Prognose auswählen Ihre Prognose aus.

7. Geben Sie im Feld S3-Standort den Speicherort der Datei mit Ihrer Zeitreihe ein.

8. Geben Sie im Feld Datenschema den Attributnamen und den Attributtyp der Element-ID und der Dimensionen ein, die in Ihrer Zeitreihe verwendet werden.

9. Wählen Sie „Erklärbarkeit erstellen“.

SDK

So geben Sie Zeitreihen für die Erklärbarkeit von Forecast an

Geben Sie mithilfe der CreateExplainabilityOperation einen eindeutigen Namen für ExplainabilityName und geben Sie Ihren Prognose-ARN für an ResourceArn.

Konfigurieren Sie die folgenden Datentypen:

• ExplainabilityConfig- setzt Werte für TimeSeriesGranularity auf „SPECIFIC“ und TimePointGranularity auf „ALL“. (Um Zeitpunkte anzugeben, stellen Sie TimePointGranularity die Einstellung auf „SPEZIFISCH“ ein. Siehe Zeitpunkte angeben)

• S3Config- Stellen Sie die Werte für „Path“ auf den S3-Speicherort der Zeitreihendatei und „RoleArn“ auf eine Rolle mit Zugriff auf den S3-Bucket ein.

• Schema- Definieren Sie „AttributeName“ und „AttributeType“ für item_id und die Dimensionen in Ihrer Zeitreihe.

Das folgende Beispiel zeigt ein Schema für Zeitreihen, das eine Kombination aus „item_id“ und der Dimension „store_location“ verwendet.

{
    "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"
            }
         ]
      },
}

Zeitpunkte angeben

Wenn Sie Zeitpunkte für Forecast Explainability angeben, berechnet Amazon Forecast die Wirkungswerte für Attribute für diesen bestimmten Zeitraum. Sie können bis zu 500 aufeinanderfolgende Zeitpunkte innerhalb des Prognosehorizonts angeben.

Ein Einzelhändler möchte beispielsweise wissen, wie sich seine Eigenschaften auf den Umsatz im Winter auswirken. In diesem Anwendungsfall würden sie die Zeitpunkte angeben, die sich nur auf den Winterzeitraum im Prognosezeitraum erstrecken.

Sie können Zeitpunkte mit der Forecast-Konsole oder dem Forecast Software Development Kit (SDK) angeben.

Console

So geben Sie Zeitreihen für die Erklärbarkeit von Forecast an

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 Insights aus.

4. Wählen Sie „Erklärbarkeit erstellen“ aus.

5. Geben Sie im Feld Name der Erklärbarkeit einen eindeutigen Namen für die Erklärbarkeit der Forecast ein.

6. Wählen Sie im Feld Prognose auswählen Ihre Prognose aus.

7. Geben Sie im Feld S3-Standort den Speicherort der Datei mit Ihrer Zeitreihe ein.

8. Geben Sie im Feld Datenschema den Attributnamen und den Attributtyp der Element-ID und der Dimensionen ein, die in Ihrer Zeitreihe verwendet werden.

9. Geben Sie im Feld Zeitdauer das Startdatum und das Enddatum innerhalb des Kalenders an.

10. Wählen Sie „Erklärbarkeit erstellen“.

SDK

So geben Sie Zeitreihen für die Erklärbarkeit von Forecast an

Geben Sie mithilfe der CreateExplainabilityOperation einen eindeutigen Namen für ExplainabilityName und geben Sie Ihren Prognose-ARN für an ResourceArn. Legen Sie das Startdatum (StartDateTime) und das Enddatum (EndDateTime) im folgenden Zeitstempelformat fest: yyyy-MM-ddTHH:mm:ss (Beispiel: 2015-01-01T 20:00:00).

Konfigurieren Sie die folgenden Datentypen:

• ExplainabilityConfig- Setzen Sie die Werte für TimeSeriesGranularity auf „SPEZIFISCH“ und TimePointGranularity auf „SPEZIFISCH“.

• S3Config- setzt die Werte für „Path“ auf den S3-Speicherort der Zeitreihendatei und „RoleArn“ auf eine Rolle mit Zugriff auf den S3-Bucket.

• Schema- Definieren Sie „AttributeName“ und „AttributeType“ für item_id und die Dimensionen in Ihrer Zeitreihe.

Das folgende Beispiel zeigt ein Schema für Zeitreihen, das eine Kombination aus „item_id“ und der Dimension „store_location“ verwendet.

{
    "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",
}

Visualisieren der Erklärbarkeit von Forecast

Wenn Sie Forecast Explainability in der Konsole erstellen, visualisiert Forecast automatisch Ihre Impact-Ergebnisse. Wenn Sie Forecast Explainability mit dem CreateExplainabilityVorgang erstellen, setzen Sie ihn EnableVisualization auf „true“ und die Auswirkungswerte für diese Erklärbarkeitsressource werden in der Konsole visualisiert.

Die Visualisierungen der Auswirkungswerte sind ab dem Datum der Erstellung der Erklärbarkeit 30 Tage gültig. Um die Visualisierung neu zu erstellen, erstellen Sie eine neue Forecast Explainability.

Erklärbarkeit der Forecast beim Exportieren

Mit Forecast können Sie eine CSV-Datei mit Impact-Ergebnissen an einen S3-Speicherort exportieren.

Der Export enthält rohe und normalisierte Wirkungswerte für die angegebene Zeitreihe sowie normalisierte aggregierte Wirkungswerte für alle angegebenen Zeitreihen und alle angegebenen Zeitpunkte. Wenn Sie keine Zeitpunkte angegeben haben, sind die Wirkungswerte bereits für alle Zeitpunkte in Ihrem Prognosehorizont aggregiert.

Sie können Forecast Explainability mit dem Amazon Forecast Software Development Kit (SDK) und der Amazon Forecast-Konsole exportieren.

Console

Um Forecast 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 Insights aus.

4. Wählen Sie Ihre Erklärbarkeit aus.

5. Wählen Sie im Drop-down-Menü „Aktionen“ die Option Exportieren aus.

6. Geben Sie im Feld Exportname einen eindeutigen Namen für den Export von Forecast Explainability ein.

7. Geben Sie im Feld S3-Exportadresse für Erklärbarkeit den S3-Speicherort ein, an dem die CSV-Datei exportiert werden soll.

8. Wählen Sie im Feld IAM-Rolle eine Rolle mit Zugriff auf den ausgewählten S3-Standort aus.

9. Wählen Sie „Erklärbarkeitsexport erstellen“.

SDK

Um Forecast Explainability zu exportieren

Geben Sie mithilfe des CreateExplainabilityExportvorgangs Ihren S3-Standort und Ihre IAM-Rolle im Destination Objekt zusammen mit und an. ExplainabilityArn ExplainabilityExportName

Beispielsweise:

{
   "Destination": {
      "S3Config": {
         "Path": "s3://bucket/example-path/",
         "RoleArn": "arn:aws:iam::000000000000:role/ExampleRole"
      }
   },
   "ExplainabilityArn": "arn:aws:forecast:region:explainability/example",
   "ExplainabilityName": "Explainability-export-name",
}

Einschränkungen und bewährte Methoden

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