O Amazon Forecast não está mais disponível para novos clientes. Os clientes existentes do Amazon Forecast podem continuar usando o serviço normalmente. Saiba mais

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Explicabilidade da previsão

A explicabilidade da previsão ajuda você a entender melhor como os atributos em seus conjuntos de dados afetarão as previsões em séries temporais (combinações de itens e dimensões) e pontos no tempo específicos. O Forecast usa uma métrica chamada Impact scores para quantificar o impacto relativo de cada atributo e determinar se eles aumentarão ou diminuirão os valores da previsão.

Por exemplo, considere um cenário de previsão em que o alvo seja sales e haja dois atributos relacionados: price e color. O Forecast pode descobrir que a cor do item tem um alto impacto nas vendas de determinados itens, mas um efeito insignificante em outros itens. Ele também pode chegar à conclusão de que uma promoção no verão tem um alto impacto nas vendas, mas uma promoção no inverno tem pouco efeito.

Para habilitar a explicabilidade da previsão, seu preditor deve incluir pelo menos um dos seguintes elementos: séries temporais relacionadas, metadados de itens ou conjuntos de dados adicionais, como Holidays, e o Weather Index. Consulte Restrições e práticas recomendadas Para mais informações.

Para visualizar as pontuações de impacto agregadas para todas as séries e pontos temporais em seus conjuntos de dados, use a explicabilidade do preditor, em vez da explicabilidade da previsão. Consulte Explicabilidade do preditor.

Como interpretar as pontuações de impacto

As pontuações de impacto medem o impacto relativo que os atributos têm nos valores de previsão. Por exemplo, se o atributo “price” tiver uma pontuação de impacto duas vezes maior que o atributo “store location”, você concluirá que o preço de um item tem o dobro do impacto nos valores de previsão do que o local da loja.

As pontuações de impacto também informam se os atributos aumentam ou diminuem os valores de previsão. No console, isso é indicado pelos dois gráficos. Atributos com barras azuis aumentam os valores de previsão, enquanto os atributos com barras vermelhas diminuem os valores de previsão.

É importante observar que as pontuações de impacto medem o impacto relativo dos atributos, e não o impacto absoluto. Portanto, as pontuações de impacto não podem ser usadas para determinar se atributos específicos melhoram a precisão do modelo. Se um atributo tiver uma pontuação de impacto baixa, isso não significa necessariamente que ele tenha um baixo impacto nos valores de previsão, mas que ele tem um impacto menor nos valores de previsão do que outros atributos usados pelo preditor.

É possível que todas ou algumas pontuações de impacto sejam zero. Isso pode ocorrer se os recursos não tiverem impacto nos valores previstos, se AutoPredictor usarem somente um algoritmo que não seja de ML ou se você não tiver fornecido séries temporais ou metadados de itens relacionados.

Na explicabilidade da previsão, as pontuações de impacto são fornecidas de duas maneiras: pontuações de impacto normalizadas e pontuações de impacto brutas. As pontuações de impacto brutas baseiam-se nos valores Shapley e não são dimensionadas ou limitadas. As pontuações de impacto normalizadas escalam as pontuações brutas para um valor entre -1 e 1.

As pontuações de impacto brutas são úteis para combinar e comparar pontuações em diferentes recursos de explicabilidade. Por exemplo, se seu preditor contiver mais de 50 séries temporais ou mais de 500 pontos temporais, você poderá criar vários recursos de explicabilidade de previsão para cobrir um número combinado maior de séries temporais ou pontos temporais e comparar diretamente as pontuações de impacto brutas dos atributos. No entanto, as pontuações de impacto brutas dos recursos de explicabilidade da previsão de diferentes previsões não são diretamente comparáveis.

Ao visualizar as pontuações de impacto no console, você só verá as pontuações de impacto normalizadas. A exportação da explicabilidade fornecerá pontuações brutas e normalizadas.

Criação da explicabilidade da previsão

Com a explicabilidade da previsão, você poderá explorar como os atributos estão afetando os valores de previsão de séries temporais específicas em pontos temporais específicos. Após especificar as séries e os pontos temporais, o Amazon Forecast calculará as pontuações de impacto somente dessas séries e pontos temporais específicos.

Você pode habilitar a explicabilidade da previsão para um preditor usando o kit de desenvolvimento de software (SDK) ou o console do Amazon Forecast. Ao usar o SDK, use a CreateExplainabilityoperação.

Como especificar séries temporais

Quando você especifica séries temporais (combinações de itens e dimensões) para a explicabilidade da previsão, o Amazon Forecast calcula as pontuações de impacto dos atributos somente para essas séries temporais específicas.

Para especificar uma lista de séries temporais, faça upload de um arquivo CSV identificando a série temporal com base nos valores item_id e dimension em um bucket do S3. É possível especificar até 50 séries temporais. Você também deve definir os atributos e os tipos de atributos das séries temporais em um esquema.

Por exemplo, talvez um varejista precise saber como uma promoção afetará as vendas de um item específico (item_id) em uma loja específica (store_location). Nesse caso de uso, você especificará a série temporal, que é a combinação de item_id e store_location.

O arquivo CSV a seguir seleciona as cinco séries temporais a seguir:

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

O esquema define a primeira coluna como item_id e a segunda coluna como store_location.

Você pode especificar séries temporais usando o console do Forecast ou o kit de desenvolvimento de software (SDK) do Forecast.

Console

Para especificar séries temporais para a explicabilidade da previsão

1. Faça login AWS Management Console e abra o console do Amazon Forecast em https://console.aws.amazon.com/forecast/.

2. Na página Grupos de conjuntos de dados, escolha seu grupo de conjuntos de dados.

3. No painel de navegação, escolha Insights.

4. Escolha Criar explicabilidade.

5. No campo Nome da explicabilidade, forneça um nome exclusivo para a explicabilidade da previsão.

6. No campo Selecionar previsão, escolha a sua previsão.

7. No campo Local do S3, insira o local do arquivo com sua série temporal.

8. No campo Esquema de dados, defina o nome do atributo e o tipo de atributo do ID e das dimensões de item usados em sua série temporal.

9. Escolha Criar explicabilidade.

SDK

Para especificar séries temporais para a explicabilidade da previsão

Usando a CreateExplainabilityoperação, forneça um nome exclusivo ExplainabilityName e forneça seu ARN de previsão para. ResourceArn

Configure os seguintes tipos de dados:

• ExplainabilityConfig- defina valores TimeSeriesGranularity para “ESPECÍFICO” e TimePointGranularity para “TODOS”. (Para especificar pontos de tempo, TimePointGranularity defina como “ESPECÍFICO”. Consulte Especificação de pontos de tempo)

• S3Config- defina os valores de “Caminho” para a localização do arquivo de série temporal no S3 e “RoleArn” para uma função com acesso ao bucket do S3.

• Schema- defina “AttributeName” e “AttributeType” para item_id e as dimensões em sua série temporal.

O exemplo abaixo mostra um esquema para séries temporais usando uma combinação de “item_id” e da dimensão de “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"
            }
         ]
      },
}

Como especificar pontos no tempo

Quando você especificar pontos no tempo para a explicabilidade da previsão, o Amazon Forecast calculará as pontuações de impacto dos atributos desse intervalo de tempo específico. Você pode especificar até 500 pontos no tempo consecutivos no horizonte de previsão.

Por exemplo, talvez um varejista precise saber como seus atributos afetarão as vendas durante o inverno. Nesse caso de uso, eles especificarão os pontos no tempo para abranger somente o período de inverno no horizonte da previsão.

Você pode especificar pontos no tempo usando o console do Forecast ou o kit de desenvolvimento de software (SDK) do Forecast.

Console

Para especificar séries temporais para a explicabilidade da previsão

1. Faça login AWS Management Console e abra o console do Amazon Forecast em https://console.aws.amazon.com/forecast/.

2. Na página Grupos de conjuntos de dados, escolha seu grupo de conjuntos de dados.

3. No painel de navegação, escolha Insights.

4. Escolha Criar explicabilidade.

5. No campo Nome da explicabilidade, forneça um nome exclusivo para a explicabilidade da previsão.

6. No campo Selecionar previsão, escolha a sua previsão.

7. No campo Local do S3, insira o local do arquivo com sua série temporal.

8. No campo Esquema de dados, defina o nome do atributo e o tipo de atributo do ID do item e das dimensões usadas em sua série temporal.

9. No campo Duração, especifique a data de início e a data de término no calendário.

10. Escolha Criar explicabilidade.

SDK

Para especificar séries temporais para a explicabilidade da previsão

Usando a CreateExplainabilityoperação, forneça um nome exclusivo ExplainabilityName e forneça seu ARN de previsão para. ResourceArn Defina a data de início (StartDateTime) e a data de término (EndDateTime) usando o seguinte formato de carimbo de data/hora: yyyy-MM-ddTHH:mm:ss (por exemplo: 2015-01-01T20:00:00).

Configure os seguintes tipos de dados:

• ExplainabilityConfig- defina valores TimeSeriesGranularity para “ESPECÍFICO” e TimePointGranularity para “ESPECÍFICO”.

• S3Config- defina os valores de “Caminho” para a localização do arquivo de série temporal no S3 e “RoleArn” para uma função com acesso ao bucket do S3.

• Schema- defina “AttributeName” e “AttributeType” para item_id e as dimensões em sua série temporal.

O exemplo abaixo mostra um esquema para séries temporais usando uma combinação de “item_id” e da dimensão de “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",
}

Visualização da explicabilidade da previsão

Ao criar a explicabilidade da previsão no console, o Forecast visualiza automaticamente as pontuações de impacto. Ao criar o Forecast Explainability com a CreateExplainabilityoperação, defina-o como “EnableVisualizationtrue” e as pontuações de impacto desse recurso de explicabilidade serão visualizadas no console.

As visualizações da pontuação de impacto duram 30 dias a partir da data da criação da explicabilidade. Para recriar a visualização, crie uma nova explicabilidade de previsão.

Exportação da explicabilidade da previsão

O Forecast permite que você exporte um arquivo CSV de pontuações de impacto para um local do S3.

A exportação contém pontuações de impacto brutas e normalizadas para as séries temporais especificadas, bem como pontuações de impacto agregadas normalizadas para todas as séries temporais e pontos no tempo especificados. Se você não tiver especificado pontos no tempo, as pontuações de impacto já estarão agregadas para todos os pontos no tempo do horizonte de previsão.

Você pode exportar a explicabilidade da previsão usando o kit de desenvolvimento de software (SDK) e o console do Amazon Forecast.

Console

Para exportar a explicabilidade da previsão

1. Faça login AWS Management Console e abra o console do Amazon Forecast em https://console.aws.amazon.com/forecast/.

2. Na página Grupos de conjuntos de dados, escolha seu grupo de conjuntos de dados.

3. No painel de navegação, escolha Insights.

4. Selecione a explicabilidade.

5. No menu suspenso Ações, escolha Exportar.

6. No campo Nome da exportação, forneça um nome exclusivo para a exportação da explicabilidade da previsão.

7. No campo Local de exportação da explicabilidade do S3, insira o local do S3 para exportar o arquivo CSV.

8. No campo Perfil do IAM, escolha uma função com acesso ao local escolhido do S3.

9. Escolha Criar exportação da explicabilidade.

SDK

Para exportar a explicabilidade da previsão

Usando a operação de CreateExplainabilityexportação, especifique sua localização no S3 e a função do IAM no Destination objeto, junto com ExplainabilityArn e. ExplainabilityExportName

Por exemplo: .

{
   "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",
}

Restrições e práticas recomendadas

Considere as seguintes restrições e práticas recomendadas ao trabalhar com a explicabilidade da previsão.