예측기 설명 가능성 - Amazon Forecast

신규 고객은 더 이상 Amazon Forecast를 사용할 수 없습니다. Amazon Forecast의 기존 고객은 서비스를 정상적으로 계속 사용할 수 있습니다. 자세히 알아보기

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

예측기 설명 가능성

예측기 설명 가능성은 데이터 세트의 속성이 대상 변수에 미치는 영향을 더 잘 이해하는 데 도움이 됩니다. Forecast는 영향 점수라는 지표를 사용하여 각 속성의 상대적 영향을 정량화하고 예측 값을 증가시키는지 감소시키는지 결정합니다.

예를 들어 대상이 sales이고 pricecolor의 두 관련 속성이 있는 예측 시나리오를 생각해 보세요. Forecast는 항목의 가격이 판매에 큰 영향을 미치는 반면(높은 영향 점수), 항목의 색상이 미치는 영향은 미미(낮은 영향 점수)하다는 것을 발견할 수 있습니다.

예측기 설명 가능성을 활성화하려면 예측기에 관련 시계열, 항목 메타데이터 또는 공휴일과 날씨 지수 같은 추가 데이터 세트 중 하나 이상이 포함되어야 합니다. 자세한 정보는 제한 및 모범 사례을 참조하세요.

특정 시계열 및 시점에 대한 영향 점수를 생성하려면 예측기 설명 가능성 대신 예측 설명 가능성을 사용하세요. 예측 설명 가능성을 참조하세요.

영향 점수 해석

영향 점수는 속성이 예측값에 미치는 상대적 영향을 측정합니다. 예를 들어 '가격' 속성의 영향 점수가 '매장 위치' 속성보다 두 배 높으면 항목 가격이 매장 위치보다 예측값에 미치는 영향이 두 배라는 결론을 내릴 수 있습니다.

영향 점수는 속성이 예측 값을 증가시키는지 감소시키는지에 대한 정보도 제공합니다. 콘솔에서 이는 두 개의 그래프로 표시됩니다. 파란색 막대가 있는 속성은 예측값을 증가시키고, 빨간색 막대가 있는 속성은 예측값을 감소시킵니다.

Bar graphs showing Price and Promo increasing impact scores, StoreLocation decreasing impact score.

콘솔에서 영향 점수 범위는 0에서 1까지입니다. 여기서 점수가 0이면 영향이 없음을 나타내고 1에 가까우면 영향이 큼을 나타냅니다. SDK에서 영향 점수의 범위는 –1에서 1까지이며, 여기서 부호는 영향의 방향을 나타냅니다.

중요한 점은 영향 점수는 속성의 절대적 영향이 아니라 상대적 영향을 측정한다는 점입니다. 따라서 영향 점수를 사용하여 특정 속성이 모델 정확도를 향상시키는지 여부를 판단할 수는 없습니다. 속성의 영향 점수가 낮다고 해서 반드시 예측값에 미치는 영향이 적은 것은 아니며, 예측기가 사용하는 다른 속성보다 예측값에 미치는 영향이 적다는 뜻입니다.

예측기 설명 가능성 생성

참고

예측기당 최대 1개의 예측기 설명 가능성을 생성할 수 있습니다.

예측기 설명 가능성을 활성화하면 Amazon Forecast는 데이터 세트의 모든 속성에 대한 영향 점수를 계산합니다. 영향 점수는 속성이 전체 예측 값에 미치는 영향으로 해석할 수 있습니다. 예측기를 생성할 때 예측기 설명 가능성을 활성화하거나, 예측기를 생성한 후 이 기능을 활성화할 수 있습니다.

새 예측기의 예측기 설명 가능성 활성화

새 예측기를 생성할 때 예측기 설명 가능성을 활성화하면 예측기 리소스와 설명 가능성 리소스가 모두 생성됩니다. 소프트웨어 개발 키트(SDK) 또는 Amazon Forecast 콘솔을 사용하여 새 예측기의 예측기 설명 가능성을 활성화할 수 있습니다.

Console

예측기 설명 가능성을 활성화하려면

  1. https://console.aws.amazon.com/forecast/ 에서 Amazon Forecast 콘솔에 AWS Management Console 로그인하고 엽니다.

  2. 데이터 세트 그룹에서 데이터 세트 그룹을 선택합니다.

  3. 탐색 창에서 예측기를 선택합니다.

  4. 새 예측기 훈련을 선택합니다.

  5. 예측기 구성 섹션에서 설명 가능성 활성화를 선택합니다.

  6. 다음 필수 필드에 값을 입력합니다.

    • 이름 - 고유한 예측기 이름입니다.

    • 예측 빈도 - 예측의 세분 수준입니다.

    • 예측 기간 - 예측할 시간 단계 수입니다.

  7. 시작을 선택합니다

Python

Python용 SDK (Boto3) 를 사용하여 새 예측자의 설명 가능성을 활성화하려면 메서드를 사용하고 true로 설정하십시오. create_auto_predictor ExplainPredictor

다음 코드는 장래의 24(ForecastHorizon)일(ForecastFrequency)을 예측하는 자동 예측기를 생성하고 ExplainPredictor가 true로 설정되어 있습니다. 필수 및 선택적 파라미터에 대한 자세한 내용은 CreateAutoPredictor를 참조하세요.

import boto3 forecast = boto3.client('forecast') create_predictor_response = forecast.create_auto_predictor( PredictorName = 'predictor_name', ForecastHorizon = 24, ForecastFrequency = 'D', DataConfig = { "DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName" }, ExplainPredictor = True )

기존 예측기의 예측기 설명 가능성 활성화

기존 예측기의 예측기 설명 가능성을 활성화하면 해당 리소스에 대한 설명 가능성 리소스가 생성됩니다. 설명 가능성 리소스가 아직 포함되어 있지 않은 예측기에 대해서만 설명 가능성 리소스를 생성할 수 있습니다. 업데이트된 데이터 세트의 영향 점수를 보려면 업데이트된 데이터로 예측기를 재훈련하거나 다시 생성하세요.

소프트웨어 개발 키트(SDK) 또는 Amazon Forecast 콘솔을 사용하여 새 예측기의 예측기 설명 가능성을 활성화할 수 있습니다.

Console

예측기 설명 가능성을 활성화하려면

  1. https://console.aws.amazon.com/forecast/ 에서 Amazon Forecast 콘솔에 AWS Management Console 로그인하고 엽니다.

  2. 데이터 세트 그룹에서 데이터 세트 그룹을 선택합니다.

  3. 탐색 창에서 예측기를 선택합니다.

  4. 예측기를 선택합니다.

  5. 예측기 설명 가능성 섹션에서 설명 가능성 활성화를 선택합니다.

  6. 예측기 설명 가능성에 고유한 이름을 입력합니다.

  7. 시작을 선택합니다

Python

SDK for Python(Boto3)으로 기존 예측기의 예측기 설명 가능성을 활성화하려면 create_explainability 메서드를 사용하세요. 설명 가능성의 이름과 예측기의 ARN을 지정하고, ExplainabilityConfig에서 TimePointGranularityTimeSeriesGranularity를 모두 ALL로 설정합니다. 콘솔에서 볼 수 있는 설명 가능성 시각화를 생성하려면 EnableVisualizationTrue로 설정합니다.

필수 및 선택적 파라미터에 대한 자세한 내용은 CreateExplainability를 참조하세요.

import boto3 forecast = boto3.client('forecast') create_explainability_response = forecast.create_explainability( ExplainabilityName = 'explainability_name', ResourceArn = 'arn:aws:forecast:region:accountNumber:predictor/predictorName', ExplainabilityConfig = { "TimePointGranularity": "ALL", "TimeSeriesGranularity": "ALL" }, EnableVisualization = True )

예측기 설명 가능성 내보내기

참고

내보내기 파일은 데이터 세트 가져오기의 정보를 직접 반환할 수 있습니다. 따라서 가져온 데이터에 수식이나 명령이 포함된 경우 파일이 CSV 삽입에 취약해집니다. 이러한 이유로, 파일을 내보내는 경우 보안 경고가 표시될 수 있습니다. 악의적인 활동을 방지하려면 내보낸 파일을 읽을 때 링크와 매크로를 비활성화하세요.

Forecast를 사용하면 영향 점수의 CSV 또는 Parquet 파일을 S3 위치로 내보낼 수 있습니다. 영향 점수의 범위는 –1에서 1까지이며, 여기서 부호는 영향의 방향을 나타냅니다. Amazon Forecast 소프트웨어 개발 키트(SDK)와 Amazon Forecast 콘솔을 사용하여 영향 점수를 내보낼 수 있습니다.

Table showing normalized impact scores for price, promotion, weather index, and US holidays.
Console

예측기 설명 가능성을 내보내려면

  1. https://console.aws.amazon.com/forecast/ 에서 Amazon Forecast 콘솔에 AWS Management Console 로그인하고 엽니다.

  2. 데이터 세트 그룹에서 데이터 세트 그룹을 선택합니다.

  3. 탐색 창에서 예측기를 선택합니다.

  4. 예측기를 선택합니다.

  5. 예측기 설명 가능성 섹션에서 내보내기를 선택합니다.

  6. 내보내기 이름 필드에 내보내기의 고유한 이름을 입력합니다.

  7. S3 설명 가능성 내보내기 위치 필드에 CSV 파일을 내보낼 S3 위치를 제공합니다.

  8. IAM 역할 필드에는 지정된 S3 위치에 액세스할 수 있는 역할을 제공합니다.

  9. 내보내기 생성을 선택합니다.

Python

SDK for Python(Boto3)을 사용하여 예측기 설명 가능성을 내보내려면 create_explainability_export 메서드를 사용합니다. 작업에 이름을 지정하고, 설명 가능성의 ARN을 지정하고, Destination 객체에 Amazon S3 대상 위치 및 IAM 서비스 역할을 지정합니다.

필수 및 선택적 파라미터에 대한 자세한 내용은 CreateExplainabilityExport를 참조하세요.

import boto3 forecast = boto3.client('forecast') export_response = forecast.create_explainability_export( Destination = { "S3Config": { "Path": "s3://bucketName/filename.csv", "RoleArn": "arn:aws:iam::accountNumber:role/roleName" } }, ExplainabilityArn = 'arn:aws:forecast:region:accountNumber:explainability/explainabilityName', ExplainabilityExportName = 'job_name' )

제한 및 모범 사례

예측기 설명 가능성을 사용할 때는 다음 제한 및 모범 사례를 고려하세요.

  • 예측자 설명 가능성은 를 사용하여 AutoPredictor 만든 일부 예측자에만 사용할 수 있습니다. AutoML을 사용하거나 수동 선택을 통해 만든 기존 예측자에 대해서는 설명 가능성을 활성화할 수 없습니다. 로 업그레이드를 참조하십시오. AutoPredictor

  • 모든 모델에서 예측 변수 설명 가능성을 사용할 수 있는 것은 아닙니다. ARIMA (AutoRegressive 통합 이동 평균), ETS (지수 평활 상태 공간 모델) 및 NPTS (비모수 시계열) 모델은 외부 시계열 데이터를 통합하지 않습니다. 따라서 이러한 모델은 추가 데이터셋을 포함하더라도 설명 가능성 보고서를 생성하지 않습니다.

  • 설명 가능성에는 속성이 필요합니다 - 예측기에는 관련 시계열, 항목 메타데이터, 공휴일 또는 날씨 지수 중 하나 이상이 포함되어야 합니다.

  • 예측기는 설명 가능성 리소스 하나로 제한됩니다. 즉, 예측기에 대해 설명 가능성 리소스를 여러 개 만들 수 없습니다. 업데이트된 데이터 세트의 영향 점수에 관심이 있다면 예측기를 재훈련하세요.

  • 영향 점수 0은 영향이 없음을 나타냅니다 - 영향 점수가 0인 속성은 예측 값에 큰 영향을 미치지 않습니다.

  • 실패한 예측자 설명 가능성 작업 재시도 - 예측자가 성공적으로 생성되었지만 예측자 설명 가능성 작업은 실패한 경우 콘솔에서 또는 작업을 사용하여 예측자 설명 가능성 생성을 재시도할 수 있습니다. CreateExplainability

  • 특정 시점 및 시계열에 대한 영향 점수를 생성할 수 없습니다 - 특정 시점 및 시계열에 대한 영향 점수를 보려면 예측 설명 가능성을 참조하세요.

  • 예측기 설명 가능성 시각화는 생성 후 90일 동안 사용할 수 있습니다 - 90일 후에 시각화를 보려면 예측기를 다시 훈련하세요.