Menafsirkan Skor Dampak Membuat Explainability Forecast Visualisasi Forecast Explainability Mengekspor Explainability Forecast Pembatasan dan praktik terbaik

Explainability Forecast

Forecast Explainability membantu Anda lebih memahami bagaimana atribut dalam kumpulan data Anda memengaruhi perkiraan untuk deret waktu tertentu (kombinasi item dan dimensi) dan titik waktu. Forecast menggunakan metrik yang disebut Skor dampak untuk mengukur dampak relatif dari setiap atribut dan menentukan apakah mereka meningkatkan atau menurunkan nilai perkiraan.

Misalnya, pertimbangkan skenario peramalan di mana target berada sales dan ada dua atribut terkait: price dancolor. Forecast mungkin menemukan bahwa warna item memiliki dampak tinggi pada penjualan untuk item tertentu, tetapi efek yang dapat diabaikan untuk item lainnya. Mungkin juga menemukan bahwa promosi di musim panas memiliki dampak tinggi pada penjualan, tetapi promosi di musim dingin memiliki sedikit efek.

Untuk mengaktifkan Forecast Explainability, prediktor Anda harus menyertakan setidaknya satu dari yang berikut: deret waktu terkait, metadata item, atau kumpulan data tambahan seperti Liburan dan Indeks Cuaca. Untuk informasi selengkapnya, lihat Pembatasan dan praktik terbaik.

Untuk melihat skor Dampak agregat untuk semua deret waktu dan titik waktu dalam kumpulan data Anda, gunakan Predictor Explainability alih-alih Forecast Explainability. Lihat Penjelasan Prediktor.

Notebook Python

Untuk step-by-step panduan tentang Forecast Explainability, lihat Item-Level Explainability.

Menafsirkan Skor Dampak

Skor dampak mengukur atribut dampak relatif terhadap nilai perkiraan. Misalnya, jika atribut 'harga' memiliki skor dampak yang dua kali lebih besar dari atribut 'lokasi penyimpanan', Anda dapat menyimpulkan bahwa harga suatu item memiliki dampak dua kali lipat pada nilai perkiraan daripada lokasi toko.

Skor dampak juga memberikan informasi tentang apakah atribut meningkatkan atau menurunkan nilai perkiraan. Di konsol, ini dilambangkan dengan dua grafik. Atribut dengan bilah biru meningkatkan nilai perkiraan, sementara atribut dengan bilah merah menurunkan nilai perkiraan.

Bar graphs showing attributes' impact on forecast: price and promo increase, store location decreases.

Penting untuk dicatat bahwa Skor dampak mengukur dampak relatif atribut, bukan dampak absolut. Oleh karena itu, skor Dampak tidak dapat digunakan untuk menentukan apakah atribut tertentu meningkatkan akurasi model. Jika atribut memiliki skor Dampak rendah, itu tidak berarti bahwa ia memiliki dampak rendah pada nilai perkiraan; itu berarti bahwa ia memiliki dampak yang lebih rendah pada nilai perkiraan daripada atribut lain yang digunakan oleh prediktor.

Dimungkinkan untuk semua atau beberapa skor dampak menjadi nol. Ini dapat terjadi jika fitur tidak berdampak pada nilai perkiraan, hanya AutoPredictor menggunakan algoritma non-ML, atau Anda tidak memberikan deret waktu atau metadata item terkait.

Untuk Forecast Explainability, skor Dampak datang dalam dua bentuk: Skor dampak yang dinormalisasi dan skor dampak mentah. Skor dampak mentah didasarkan pada nilai Shapley dan tidak diskalakan atau dibatasi. Skor dampak yang dinormalisasi menskalakan skor mentah ke nilai antara -1 dan 1.

Skor dampak mentah berguna untuk menggabungkan dan membandingkan skor di berbagai sumber daya Penjelasan. Misalnya, jika prediktor Anda berisi lebih dari 50 deret waktu atau lebih dari 500 titik waktu, Anda dapat membuat beberapa sumber daya Forecast Explainability untuk mencakup jumlah gabungan deret waktu atau titik waktu yang lebih besar, dan langsung membandingkan skor dampak mentah untuk atribut. Namun, skor dampak mentah untuk sumber daya Forecast Explainability dari perkiraan yang berbeda tidak dapat dibandingkan secara langsung.

Saat melihat skor Dampak di konsol, Anda hanya akan melihat skor dampak yang dinormalisasi. Mengekspor Explainability akan memberi Anda skor mentah dan dinormalisasi.

Membuat Explainability Forecast

Dengan Forecast Explainability, Anda dapat menjelajahi bagaimana atribut memengaruhi nilai perkiraan untuk deret waktu tertentu pada titik waktu tertentu. Setelah menentukan deret waktu dan titik waktu, Amazon Forecast menghitung skor Dampak hanya untuk deret waktu dan titik waktu tertentu.

Anda dapat mengaktifkan Forecast Explainability untuk prediktor menggunakan Software Development Kit (SDK) atau konsol Amazon Forecast. Saat menggunakan SDK, gunakan CreateExplainabilityoperasi.

Topik

Menentukan deret waktu
Menentukan titik waktu

Menentukan deret waktu

catatan

Deret waktu adalah kombinasi dari item (item_id) dan semua dimensi dalam kumpulan data Anda

Saat Anda menentukan deret waktu (kombinasi item dan dimensi) untuk Forecast Explainability, Amazon Forecast menghitung skor Dampak untuk atribut hanya untuk deret waktu tertentu tersebut.

Untuk menentukan daftar deret waktu, unggah file CSV yang mengidentifikasi deret waktu berdasarkan item_id dan nilai dimensinya ke bucket S3. Anda dapat menentukan hingga 50 deret waktu. Anda juga harus menentukan atribut dan tipe atribut deret waktu dalam skema.

Misalnya, pengecer mungkin ingin mengetahui bagaimana promosi memengaruhi penjualan untuk item tertentu (item_id) di lokasi toko tertentu (store_location). Dalam kasus penggunaan ini, Anda akan menentukan deret waktu yang merupakan kombinasi dari item_id dan store_location.

File CSV berikut memilih lima deret waktu berikut:

Item_ID: 001, store_location: Seattle
Item_item: 001, store_location: New York
Item_ID: 002, store_location: Seattle
Item_ID: 002, store_location: New York
Item_ID: 003, store_location: Denver


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

Skema mendefinisikan kolom pertama sebagai item_id dan kolom kedua sebagai. store_location

Anda dapat menentukan deret waktu menggunakan konsol Forecast atau Forecast Software Development Kit (SDK).

Console

Untuk menentukan deret waktu untuk Forecast Explainability

Masuk ke AWS Management Console dan buka konsol Amazon Forecast di https://console.aws.amazon.com/forecast/.
Dari grup Dataset, pilih grup kumpulan data Anda.
Pada panel navigasi, silakan pilih Wawasan.
Pilih Buat Penjelasan.
Di bidang nama Explainability, berikan nama unik untuk Forecast Explainability.
Di bidang Pilih perkiraan, pilih perkiraan Anda.
Di bidang lokasi S3, masukkan lokasi file dengan deret waktu Anda.
Di bidang Skema data, atur nama atribut dan jenis atribut ID item dan dimensi yang digunakan dalam deret waktu Anda.
Pilih Buat Penjelasan.

SDK

Untuk menentukan deret waktu untuk Forecast Explainability

Dengan menggunakan CreateExplainabilityoperasi, berikan nama unik untuk ExplainabilityName dan berikan perkiraan ARN Anda. ResourceArn

Konfigurasikan tipe data berikut:

ExplainabilityConfig- tetapkan nilai TimeSeriesGranularity untuk “SPESIFIK” dan TimePointGranularity ke “SEMUA”. (Untuk menentukan titik waktu, atur TimePointGranularity ke “SPESIFIK”. Lihat Menentukan titik waktu)
S3Config- atur nilai untuk “Path” ke lokasi S3 dari file deret waktu dan “RoleArn” ke peran dengan akses ke bucket S3.
Schema- tentukan “AttributeName” dan “AttributeType” untuk item_id dan dimensi dalam deret waktu Anda.

Contoh di bawah ini menunjukkan skema untuk deret waktu menggunakan kombinasi “item_id” dan dimensi “store_location”.


{
    "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"
            }
         ]
      },
}

Menentukan titik waktu

catatan

Jika Anda tidak menentukan titik waktu ("TimePointGranularity": "ALL"), Amazon Forecast akan mempertimbangkan seluruh cakrawala perkiraan saat menghitung skor Dampak.

Saat Anda menentukan titik waktu untuk Forecast Explainability, Amazon Forecast menghitung skor Dampak untuk atribut untuk rentang waktu tertentu. Anda dapat menentukan hingga 500 titik waktu berturut-turut dalam cakrawala perkiraan.

Misalnya, pengecer mungkin ingin tahu bagaimana atribut mereka memengaruhi penjualan selama musim dingin. Dalam kasus penggunaan ini, mereka akan menentukan titik waktu yang hanya mencakup periode musim dingin di cakrawala perkiraan.

Anda dapat menentukan titik waktu menggunakan konsol Forecast atau Forecast Software Development Kit (SDK).

Console

Untuk menentukan deret waktu untuk Forecast Explainability

Masuk ke AWS Management Console dan buka konsol Amazon Forecast di https://console.aws.amazon.com/forecast/.
Dari grup Dataset, pilih grup kumpulan data Anda.
Pada panel navigasi, silakan pilih Wawasan.
Pilih Buat Penjelasan.
Di bidang nama Explainability, berikan nama unik untuk Forecast Explainability.
Di bidang Pilih perkiraan, pilih perkiraan Anda.
Di bidang lokasi S3, masukkan lokasi file dengan deret waktu Anda.
Di bidang Skema data, setel nama atribut tipe atribut ID item dan dimensi yang digunakan dalam deret waktu Anda.
Di bidang Durasi waktu, tentukan tanggal mulai dan tanggal akhir dalam kalender.
Pilih Buat Penjelasan.

SDK

Untuk menentukan deret waktu untuk Forecast Explainability

Dengan menggunakan CreateExplainabilityoperasi, berikan nama unik untuk ExplainabilityName dan berikan perkiraan ARN Anda. ResourceArn Tetapkan tanggal mulai (StartDateTime) dan tanggal akhir (EndDateTime) menggunakan format stempel waktu berikut: yyyy-MM-ddTHH:mm:ss (contoh: 2015-01-01T 20:00:00).

Konfigurasikan tipe data berikut:

ExplainabilityConfig- menetapkan nilai TimeSeriesGranularity untuk “SPESIFIK” dan TimePointGranularity “SPESIFIK”.
S3Config- atur nilai untuk “Path” ke lokasi S3 dari file deret waktu dan “RoleArn” ke peran dengan akses ke bucket S3.
Schema- tentukan “AttributeName” dan “AttributeType” untuk item_id dan dimensi dalam deret waktu Anda.

Contoh di bawah ini menunjukkan skema untuk deret waktu menggunakan kombinasi “item_id” dan dimensi “store_location”.


{
    "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",
}

Visualisasi Forecast Explainability

Saat membuat Forecast Explainability di konsol, Forecast secara otomatis memvisualisasikan skor Dampak Anda. Saat membuat Forecast Explainability dengan CreateExplainabilityoperasi, atur EnableVisualization ke “true” dan skor dampak untuk sumber daya Explainability tersebut akan divisualisasikan dalam konsol.

Visualisasi skor dampak berlangsung selama 30 hari sejak tanggal pembuatan Explainability. Untuk membuat ulang visualisasi, buat Forecast Explainability baru.

Mengekspor Explainability Forecast

catatan

Ekspor file dapat langsung mengembalikan informasi dari Dataset Impor. Ini membuat file rentan terhadap injeksi CSV jika data yang diimpor berisi rumus atau perintah. Untuk alasan ini, file yang diekspor dapat meminta peringatan keamanan. Untuk menghindari aktivitas berbahaya, nonaktifkan tautan dan makro saat membaca file yang diekspor.

Forecast memungkinkan Anda untuk mengekspor file CSV skor Dampak ke lokasi S3.

Ekspor berisi skor dampak mentah dan dinormalisasi untuk deret waktu yang ditentukan, serta skor dampak agregat yang dinormalisasi untuk semua deret waktu yang ditentukan dan semua titik waktu yang ditentukan. Jika Anda tidak menentukan titik waktu, skor dampak sudah dikumpulkan untuk semua titik waktu di cakrawala perkiraan Anda.

Spreadsheet showing raw and normalized impact scores for various items and metrics over time.

Anda dapat mengekspor Forecast Explainability menggunakan Amazon Forecast Software Development Kit (SDK) dan konsol Amazon Forecast.

Console

Untuk mengekspor Forecast Explainability

Masuk ke AWS Management Console dan buka konsol Amazon Forecast di https://console.aws.amazon.com/forecast/.
Dari grup Dataset, pilih grup kumpulan data Anda.
Pada panel navigasi, silakan pilih Wawasan.
Pilih Explainability Anda.
Dari drop-down Tindakan, pilih Ekspor.
Di bidang Nama ekspor, berikan nama unik untuk ekspor Forecast Explainability.
Di bidang lokasi ekspor penjelasan S3, masukkan lokasi S3 untuk mengekspor file CSV.
Di bidang Peran IAM, pilih peran dengan akses ke lokasi S3 yang dipilih.
Pilih Buat Ekspor Keterangan.

SDK

Untuk mengekspor Forecast Explainability

Menggunakan operasi CreateExplainabilityEkspor, tentukan lokasi S3 dan peran IAM Anda di Destination objek, bersama dengan dan. ExplainabilityArn ExplainabilityExportName

Sebagai contoh:


{
   "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",
}

Pembatasan dan praktik terbaik

Pertimbangkan batasan dan praktik terbaik berikut saat bekerja dengan Forecast Explainability.

Forecast Explainability hanya tersedia untuk beberapa Prakiraan yang dihasilkan dari AutoPredictor - Anda tidak dapat mengaktifkan Forecast Explainability for Forecast yang dihasilkan dari prediktor lama (AutoML atau pemilihan manual). Lihat Memutakhirkan ke AutoPredictor.
Forecast Explainability tidak tersedia untuk semua model - Model ARIMA (AutoRegressive Integrated Moving Average), ETS (Exponential Smoothing State Space Model), dan NPTS (Non-Parametric Time Series) tidak menggabungkan data deret waktu eksternal. Oleh karena itu, model ini tidak membuat laporan penjelasan, bahkan jika Anda menyertakan kumpulan data tambahan.
Keterjelasan membutuhkan atribut - Prediktor Anda harus menyertakan setidaknya satu dari yang berikut: deret waktu terkait, metadata item, Liburan, atau Indeks Cuaca.
Skor dampak nol menunjukkan tidak ada dampak - Jika satu atau lebih atribut memiliki skor dampak nol, maka atribut ini tidak memiliki dampak signifikan pada nilai perkiraan. Skor juga bisa nol jika hanya AutoPredictor digunakan algoritma non-ML, atau Anda tidak memberikan deret waktu terkait atau metadata item.
Tentukan maksimum 50 deret waktu - Anda dapat menentukan hingga 50 deret waktu per Forecast Explainability.
Tentukan maksimum 500 poin waktu - Anda dapat menentukan hingga 500 poin waktu berturut-turut per Forecast Explainability.
Forecast juga menghitung beberapa skor Dampak agregat - Forecast juga akan memberikan skor dampak agregat untuk deret waktu dan titik waktu yang ditentukan.
Buat beberapa sumber daya Forecast Explainability untuk satu Forecast - Jika Anda menginginkan skor dampak lebih dari 50 deret waktu atau 500 titik waktu, Anda dapat membuat sumber daya Explainability dalam batch untuk menjangkau rentang yang lebih besar.
Bandingkan skor dampak mentah di berbagai sumber daya Forecast Explainability - Skor dampak mentah dapat langsung dibandingkan di seluruh sumber daya Explainability dari perkiraan yang sama.
Visualisasi Forecast Explainability tersedia selama 30 hari setelah pembuatan - Untuk melihat visualisasi setelah 30 hari, buat Forecast Explainability baru dengan konfigurasi yang sama.

Awas Javascript dinonaktifkan atau tidak tersedia di browser Anda.

Untuk menggunakan Dokumentasi AWS, Javascript harus diaktifkan. Lihat halaman Bantuan browser Anda untuk petunjuk.

Konvensi Dokumen

Menghasilkan Prakiraan

Analisis Bagaimana-Jika