預測器可解釋性 - Amazon Forecast

預測器可解釋性

Predictor 可解釋性可協助您更了解資料集中的屬性如何影響您的目標變數。預測會使用稱為影響分數的指標來量化每個屬性的相對影響，並判斷它們是否增加或減少預測值。

例如，假設目標所為 sales 且有兩個相關屬性的預測案例：price 與 color。預測可能會發現項目的價格對銷售額（高影響分數）有很大的影響，而項目的顏色具有可忽略的影響（低影響分數）。

若要啟用預測器可解釋性，您的預測器必須至少包含下列其中一項：相關時間序列、項目中繼資料，或假日和天氣索引等其他資料集。如需更多資訊，請參閱限制和最佳實務。

若要針對特定時間序列和時間點建立影響分數，請使用預測可解釋性，而非預測者可解釋性。請參閱預測可解釋性。

解讀影響分數

影響分數會衡量屬性對預測值的相對影響。例如，如果「價格」屬性的影響分數是「存放區位置」屬性的兩倍，您可以得出以下結論：項目的價格對預測值的影響是商店位置的兩倍。

影響分數也會提供屬性是否增加或減少預測值的相關資訊。在主控台中，這會以兩個圖形表示。具有藍條的屬性會增加預測值，而具有紅條的屬性則會減少預測值。

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

在主控台中，影響分數的範圍是 0 到 1，0 表示沒有影響，而接近 1 的分數表示重大影響。在 SDKs 中，影響分數的範圍是 -1 到 1，其中符號表示影響的方向。

值得注意的是，影響力分數衡量的是屬性的相對影響，而不是絕對影響。因此，影響分數無法用於確定特定屬性是否可以改善模型的準確性。如果某個屬性的影響分數較低，不一定表示它對預測值的影響較低；這表示與它對預測值的影響比預測器使用的其他屬性要小。

建立預測器可解釋性

注意

每個預測器最多可以建立一個預測器可解釋性

當您啟用 Predictor 可解釋性時，Amazon Forecast 會計算資料集中所有屬性的影響分數。影響分數可以解譯為影響屬性對整體預測值的影響。您可以在建立預測器時啟用預測器可解釋性，也可以在建立預測器後啟用此功能。

啟用新預測器的預測器可解釋性

在建立新的預測器時啟用預測器可解釋性，將同時建立預測器資源和可解釋性資源。您可以使用軟體開發套件 (SDK) 或 Amazon Forecast 主控台，為新的預測器啟用預測器可解釋性。

Console

啟用預測器可解釋性

登入 AWS Management Console ，並在 https：//https://console.aws.amazon.com/forecast/ 開啟 Amazon Forecast 主控台。
從資料集群組中，選擇您的資料集群組。
在導覽窗格中，選擇預測器。
選擇訓練新的預測器。
在預測器組態區段中，選擇啟用可解釋性。
提供下列必要欄位的值：
- Name - 唯一的預測器名稱。
- 預測頻率 - 預測的精細程度。
- 預測時間範圍 - 要預測的時間步驟數目。
選擇 Start (啟動)。

Python

若要使用適用於 Python 的 SDK (Boto3) 啟用新預測器的可解釋性，請使用 create_auto_predictor方法並將 ExplainPredictor 設為 true。

下列程式碼會建立自動預測器，未來預測 24 (ForecastHorizon) 天 (ForecastFrequency)，並將 ExplainPredictor設為 true。如需必要和選用參數的詳細資訊，請參閱CreateAutoPredictor。


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
)

anchor anchor

啟用預測器可解釋性

登入 AWS Management Console ，並在 https：//https://console.aws.amazon.com/forecast/ 開啟 Amazon Forecast 主控台。
從資料集群組中，選擇您的資料集群組。
在導覽窗格中，選擇預測器。
選擇訓練新的預測器。
在預測器組態區段中，選擇啟用可解釋性。
提供下列必要欄位的值：
- Name - 唯一的預測器名稱。
- 預測頻率 - 預測的精細程度。
- 預測時間範圍 - 要預測的時間步驟數目。
選擇 Start (啟動)。

啟用現有預測器的預測器可解釋性

為現有預測器啟用預測器可解釋性，會為該資源建立可解釋性資源。您只能為尚未包含可解釋性資源的預測器建立可解釋性資源。若要檢視更新資料集的影響分數，請使用更新的資料重新訓練或重新建立預測器。

您可以使用軟體開發套件 (SDK) 或 Amazon Forecast 主控台，為新的預測器啟用預測器可解釋性。

Console

啟用 Predictor 可解釋性

登入 AWS Management Console ，並在 https://console.aws.amazon.com/forecast/：// 開啟 Amazon Forecast 主控台。
從資料集群組中，選擇您的資料集群組。
在導覽窗格中，選擇預測器。
選擇您的預測器。
在預測器可解釋性區段中，選擇啟用可解釋性。
為 Predictor 可解釋性提供唯一的名稱。
選擇 Start (啟動)。

Python

若要使用適用於 Python 的 SDK (Boto3) 為現有預測器啟用預測器可解釋性，請使用 create_explainability方法。指定可解釋性的名稱、預測器的 ARN，以及的 ARNExplainabilityConfig，將 TimePointGranularity和都設定為 TimeSeriesGranularity ALL。若要建立可在主控台中檢視的可解釋性視覺化，請將 EnableVisualization設為 True。

如需必要和選用參數的詳細資訊，請參閱CreateExplainability。


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
)

anchor anchor

啟用 Predictor 可解釋性

登入 AWS Management Console ，並在 https://console.aws.amazon.com/forecast/：// 開啟 Amazon Forecast 主控台。
從資料集群組中，選擇您的資料集群組。
在導覽窗格中，選擇預測器。
選擇您的預測器。
在預測器可解釋性區段中，選擇啟用可解釋性。
為 Predictor 可解釋性提供唯一的名稱。
選擇 Start (啟動)。

匯出預測器可解釋性

注意

匯出檔案可以直接從資料集匯入傳回資訊。如果匯入的資料含公式或命令，這會使檔案受到 CSV 注入的攻擊。因此，匯出的檔案可能會提示安全性警告。若要避免惡意活動，請在讀取匯出的檔案時停用連結和巨集。

預測可讓您將影響分數的 CSV 或 Parquet 檔案匯出至 S3 位置。影響分數範圍從 -1 到 1，其中符號表示影響的方向。您可以使用 Amazon Forecast 軟體開發套件 (SDK) 和 Amazon Forecast 主控台匯出 Impact 分數。

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

Console

匯出 Predictor 可解釋性

登入 AWS Management Console ，並在 https://console.aws.amazon.com/forecast/：// 開啟 Amazon Forecast 主控台。
從資料集群組中，選擇您的資料集群組。
在導覽窗格中，選擇預測器。
選擇您的預測器。
在預測器可解釋性區段中，選擇匯出。
在匯出名稱欄位中，提供匯出的唯一名稱。
針對 S3 可解釋性匯出位置欄位，提供 S3 位置以匯出 CSV 檔案。
在 IAM 角色欄位中，提供角色存取指定 S3 位置的存取權。
選擇建立匯出。

Python

若要使用適用於 Python 的 SDK (Boto3) 匯出 Predictor 可解釋性，請使用 create_explainability_export方法。為任務命名、指定可解釋性的 ARN，並在 Destination 物件中指定您的 Amazon S3 目的地位置和 IAM 服務角色。

如需必要和選用參數的詳細資訊，請參閱CreateExplainabilityExport。


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'
)

anchor anchor

匯出 Predictor 可解釋性

登入 AWS Management Console ，並在 https://console.aws.amazon.com/forecast/：// 開啟 Amazon Forecast 主控台。
從資料集群組中，選擇您的資料集群組。
在導覽窗格中，選擇預測器。
選擇您的預測器。
在預測器可解釋性區段中，選擇匯出。
在匯出名稱欄位中，提供匯出的唯一名稱。
針對 S3 可解釋性匯出位置欄位，提供 S3 位置以匯出 CSV 檔案。
在 IAM 角色欄位中，提供角色存取指定 S3 位置的存取權。
選擇建立匯出。

限制和最佳實務

使用 Predictor Explainability 時，請考慮下列限制和最佳實務。

Predictor 可解釋性僅適用於使用 AutoPredictor 建立的某些預測程式 - 您無法為使用 AutoML 或透過手動選擇建立的舊版預測程式啟用可解釋性。請參閱升級至 AutoPredictor。
Predictor 可解釋性不適用於所有模型 - ARIMA (AutoRegressive 整合式移動平均值）、ETS （指數平滑狀態空間模型）和 NPTS （非參數時間序列）模型不包含外部時間序列資料。因此，即使您包含其他資料集，這些模型也不會建立可解釋性報告。
可解釋性需要屬性 - 您的預測器必須至少包含下列其中一項：相關時間序列、項目中繼資料、假日或天氣索引。
預測器限制在一個可解釋性資源 - 您無法為預測器建立多個可解釋性資源。如果您對已更新資料集的影響分數感興趣，請重新訓練您的預測器。
零的影響分數表示沒有影響 - 如果屬性的影響分數為 0，則該屬性對預測值沒有重大影響。
重試失敗的預測器可解釋性任務 - 如果預測成功建立預測器但預測器可解釋性任務失敗，您可以在主控台中或使用 CreateExplainability 操作重試建立預測器可解釋性。
您無法針對特定時間點和時間序列建立影響分數 - 若要檢視特定時間點和時間序列的影響分數，請參閱預測可解釋性。
Predictor Explainability 視覺化效果可在建立後 90 天內使用 - 若要在 90 天後檢視視覺化效果，請重新訓練預測器。

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

假日特徵化

預測器監控

選取您的 Cookie 偏好設定

自訂 Cookie 偏好設定

必要

效能

功能

廣告

無法儲存 Cookie 偏好設定

預測器可解釋性

主題

解讀影響分數

建立預測器可解釋性

注意

啟用新預測器的預測器可解釋性

啟用現有預測器的預測器可解釋性

匯出預測器可解釋性

注意

限制和最佳實務

此頁面是否有幫助？

下一個主題：

上一個主題：

需要協助？

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

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