Amazon Forecast n'est plus disponible pour les nouveaux clients. Les clients existants d'Amazon Forecast peuvent continuer à utiliser le service normalement. En savoir plus »
Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Explicabilité des prédicteurs
Predictor Explainability vous aide à mieux comprendre l'impact des attributs de vos ensembles de données sur votre variable cible. Forecast utilise une métrique appelée score d'impact pour quantifier l'impact relatif de chaque attribut et déterminer s'il augmente ou diminue les valeurs de prévision.
Imaginons, par exemple, un scénario de prévisions dans lequel la cible est sales
(ventes), associée à deux attributs : price
(prix) et color
(couleur). Forecast peut constater que le prix d'un article a un impact significatif sur les ventes (score d'impact élevé), tandis que la couleur de l'article a un effet négligeable (score d'impact faible).
Pour activer l'explicabilité du prédicteur, votre prédicteur doit inclure au moins l'un des éléments suivants : des séries chronologiques associées, des métadonnées d'éléments ou des ensembles de données supplémentaires tels que les jours fériés et l'indice météorologique. Pour plus d’informations, consultez Restrictions et meilleures pratiques.
Pour créer des scores d'impact pour des séries chronologiques et des points temporels spécifiques, utilisez Forecast Explainability au lieu de Predictor Explainability. Voir Forecast Explainability.
Rubriques
Interprétation des scores d'impact
Les scores d'impact mesurent l'impact relatif des attributs sur les valeurs des prévisions. Par exemple, si l'attribut « prix » a un score d'impact deux fois plus élevé que l'attribut « emplacement du magasin », vous pouvez en conclure que le prix d'un article a deux fois plus d'impact sur les valeurs prévisionnelles que l'emplacement du magasin.
Les scores d'impact fournissent également des informations indiquant si les attributs augmentent ou diminuent les valeurs des prévisions. Dans la console, cela est indiqué par les deux graphiques. Les attributs avec des barres bleues augmentent les valeurs de prévision, tandis que les attributs avec des barres rouges diminuent les valeurs de prévision.

Dans la console, les scores d'impact vont de 0 à 1, un score de 0 indiquant l'absence d'impact et un score proche de 1 indiquant un impact significatif. Dans les SDK, les scores d'impact vont de -1 à 1, le signe indiquant la direction de l'impact.
Il est important de noter que les scores d'impact mesurent l'impact relatif des attributs, et non l'impact absolu. Par conséquent, les scores d'impact ne peuvent pas être utilisés pour déterminer si des attributs particuliers améliorent la précision du modèle. Si un attribut a un faible score d'impact, cela ne signifie pas nécessairement qu'il a un faible impact sur les valeurs des prévisions ; cela signifie qu'il a un impact plus faible sur les valeurs des prévisions que les autres attributs utilisés par le prédicteur.
Création d'une explicabilité prédictive
Note
Vous pouvez créer un maximum d'une explicabilité de prédicteur par prédicteur
Lorsque vous activez Predictor Explainability, Amazon Forecast calcule les scores d'impact pour tous les attributs de vos ensembles de données. Les scores d'impact peuvent être interprétés comme les attributs d'impact sur les valeurs prévisionnelles globales. Vous pouvez activer l'explicabilité du prédicteur lorsque vous créez un prédicteur, ou vous pouvez activer la fonctionnalité après avoir créé le prédicteur.
Activer l'explicabilité du prédicteur pour un nouveau prédicteur
L'activation de l'explicabilité du prédicteur lors de la création d'un nouveau prédicteur créera à la fois une ressource de prédicteur et une ressource d'explicabilité. Vous pouvez activer Predictor Explainability pour un nouveau prédicteur à l'aide du kit de développement logiciel (SDK) ou de la console Amazon Forecast.
Activation de l'explicabilité des prédicteurs pour un prédicteur existant
L'activation de l'explicabilité du prédicteur pour un prédicteur existant créera une ressource d'explicabilité pour cette ressource. Vous ne pouvez créer une ressource d'explicabilité que pour les prédicteurs qui ne contiennent pas déjà de ressource d'explicabilité. Pour afficher les scores d'impact d'un ensemble de données mis à jour, réentraînez ou recréez le prédicteur avec les données mises à jour.
Vous pouvez activer Predictor Explainability pour un nouveau prédicteur à l'aide du kit de développement logiciel (SDK) ou de la console Amazon Forecast.
Exporter l'explicabilité des prédicteurs
Note
Les fichiers d'exportation peuvent renvoyer directement les informations issues de l'importation du jeu de données. Cela rend les fichiers vulnérables aux injections CSV si les données importées contiennent des formules ou des commandes. Pour cette raison, les fichiers exportés peuvent provoquer des avertissements de sécurité. Pour éviter toute activité malveillante, désactivez les liens et les macros lors de la lecture des fichiers exportés.
Forecast vous permet d'exporter un fichier CSV ou Parquet contenant les scores d'impact vers un emplacement S3. Les scores d'impact vont de -1 à 1, le signe indiquant la direction de l'impact. Vous pouvez exporter les scores d'impact à l'aide du kit de développement logiciel (SDK) Amazon Forecast et de la console Amazon Forecast.

Restrictions et meilleures pratiques
Tenez compte des restrictions et des meilleures pratiques suivantes lorsque vous utilisez Predictor Explainability.
-
L'explicabilité des prédicteurs n'est disponible que pour certains prédicteurs créés avec AutoPredictor - Vous ne pouvez pas activer l'explicabilité pour les anciens prédicteurs créés avec AutoML ou par sélection manuelle. Consultez la section Mise à niveau vers AutoPredictor.
-
L'explicabilité des prédicteurs n'est pas disponible pour tous les modèles. Les modèles ARIMA (AutoRegressive Integrated Moving Average), ETS (Exponential Smoothing State Space Model) et NPTS (Non-Parametric Time Series) n'intègrent pas de données de séries chronologiques externes. Par conséquent, ces modèles ne créent pas de rapport d'explicabilité, même si vous incluez les ensembles de données supplémentaires.
-
L'explicabilité nécessite des attributs : votre prédicteur doit inclure au moins l'un des éléments suivants : les séries chronologiques associées, les métadonnées des articles, les jours fériés ou l'indice météorologique.
-
Les prédicteurs sont limités à une seule ressource d'explicabilité. Vous ne pouvez pas créer plusieurs ressources d'explicabilité pour un prédicteur. Si vous êtes intéressé par les scores d'impact d'un ensemble de données mis à jour, réentraînez votre prédicteur.
-
Les scores d'impact nuls indiquent l'absence d'impact : si un attribut a un score d'impact de 0, cet attribut n'a aucun impact significatif sur les valeurs de prévision.
-
Réessayer des tâches Predictor Explainability qui ont échoué - Si Forecast crée un Predictor avec succès mais que la tâche Predictor Explainability échoue, vous pouvez réessayer de créer Predictor Explainability dans la console ou lors de l'opération. CreateExplainability
-
Vous ne pouvez pas créer de scores d'impact pour des points temporels ou des séries chronologiques spécifiques. Pour consulter les scores d'impact pour des points temporels et des séries chronologiques spécifiques, consultez Forecast Explainability.
-
Les visualisations de l'explicabilité du prédicteur sont disponibles pendant 90 jours après leur création. Pour afficher la visualisation après 90 jours, réentraînez le prédicteur.