Amazon Forecast ist für Neukunden nicht mehr verfügbar. Bestehende Kunden von Amazon Forecast können den Service weiterhin wie gewohnt nutzen. [Erfahren Sie mehr“](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/) Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Erklärbarkeit der Forecast Forecast Erklärbarkeit von Prognosen hilft Ihnen dabei, besser zu verstehen, wie sich die Attribute in Ihren Datensätzen auf Prognosen für bestimmte Zeitreihen (Element- und Dimensionskombinationen) und Zeitpunkte auswirken. Forecast verwendet eine Metrik namens Impact Scores, um die relativen Auswirkungen der einzelnen Attribute zu quantifizieren und zu bestimmen, ob sie die Prognosewerte erhöhen oder verringern. Betrachten Sie z. B. ein Prognoseszenario, in dem das Ziel `sales` ist und es zwei verwandte Attribute gibt: `price` und `color`. Forecast können ergeben, dass die Farbe des Artikels bei bestimmten Artikeln einen großen Einfluss auf den Umsatz hat, bei anderen Artikeln jedoch nur einen vernachlässigbaren Effekt hat. Er kann auch feststellen, dass eine Werbeaktion im Sommer einen großen Einfluss auf den Umsatz hat, eine Werbeaktion im Winter jedoch kaum. Um die Erklärbarkeit von Forecast zu aktivieren, muss Ihr Prädiktor mindestens eines der folgenden Elemente enthalten: verwandte Zeitreihen, Elementmetadaten oder zusätzliche Datensätze wie Feiertage und Wetterindex. Weitere Informationen finden Sie unter [Einschränkungen und bewährte Verfahren](predictor-explainability.md#predictor-explainability-best-practices). Um aggregierte Impact-Werte für alle Zeitreihen und Zeitpunkte in Ihren Datensätzen anzuzeigen, verwenden Sie Predictor Explainability anstelle von Forector Explainability. [Siehe](predictor-explainability.md) Erklärbarkeit von Prädiktoren. **Python-Notizbücher** Einen step-by-step Leitfaden zur Erklärbarkeit von Forecast finden Sie unter Erklärbarkeit auf [Artikelebene](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb). **Topics** + [Interpretation von Impact Scores](#forecast-explainability-impact-scores) + [Erklärbarkeit von Forecast erstellen](#creating-forecast-explainability) + [Visualisieren der Erklärbarkeit von Forecast](#visualizing-forecast-explainability) + [Erklärbarkeit der Forecast beim Exportieren](#exporting-forecast-explainability) + [Einschränkungen und bewährte Methoden](#forecast-explainability-best-practices) ## Interpretation von Impact Scores Auswirkungswerte messen die relativen Auswirkungen, die Attribute auf die Prognosewerte haben. Wenn das Attribut „Preis“ beispielsweise einen doppelt so hohen Impact Score hat wie das Attribut „Ladenstandort“, können Sie schlussfolgern, dass der Preis eines Artikels doppelt so viele Auswirkungen auf die Prognosewerte hat wie der Ladenstandort. Die Auswirkungswerte geben auch Aufschluss darüber, ob die Attribute die Prognosewerte erhöhen oder verringern. In der Konsole wird dies durch die beiden Grafiken verdeutlicht. Attribute mit blauen Balken erhöhen die Prognosewerte, während Attribute mit roten Balken die Prognosewerte verringern. ![\[Bar graphs showing attributes' impact on forecast: price and promo increase, store location decreases.\]](http://docs.aws.amazon.com/de_de/forecast/latest/dg/images/quicksightwithfilters.png) Es ist wichtig zu beachten, dass Auswirkungswerte die relativen Auswirkungen von Attributen messen, und nicht die absoluten. Daher kann man anhand der Auswirkungswerte nicht bestimmen, ob bestimmte Attribute die Modellgenauigkeit verbessern. Wenn ein Attribut einen niedrigen Auswirkungswert hat, bedeutet das nicht unbedingt, dass es nur geringe Auswirkungen auf die Prognosewerte hat. Es bedeutet vielmehr, dass es geringere Auswirkungen auf die Prognosewerte hat als andere vom Prognoseparameter verwendete Attribute. Es ist möglich, dass alle oder einige Wirkungswerte Null sind. Dies kann der Fall sein, wenn die Features keinen Einfluss auf die Prognosewerte haben, sie nur einen Algorithmus AutoPredictor verwendet haben, der kein ML-Algorithmus ist, oder wenn Sie keine zugehörigen Zeitreihen- oder Elementmetadaten angegeben haben. Für die Erklärbarkeit von Forecast gibt es zwei Formen von Impact-Scores: Normalisierte Impact-Werte und Raw Impact-Scores. Die unverarbeiteten Wirkungswerte basieren auf Shapley-Werten und sind weder skaliert noch begrenzt. Bei normalisierten Wirkungsgraden werden die Rohwerte auf einen Wert zwischen -1 und 1 skaliert. Unformatierte Wirkungswerte sind nützlich, um die Ergebnisse verschiedener Ressourcen zur Erklärbarkeit zu kombinieren und zu vergleichen. Wenn Ihr Prädiktor beispielsweise über 50 Zeitreihen oder über 500 Zeitpunkte enthält, können Sie mehrere Ressourcen zur Erklärbarkeit von Forecast erstellen, um eine größere kombinierte Anzahl von Zeitreihen oder Zeitpunkten abzudecken, und die unverarbeiteten Wirkungswerte für Attribute direkt vergleichen. Rohwerte für die Auswirkungen verschiedener Forecast für Ressourcen zur Erklärbarkeit von Prognosen sind jedoch nicht direkt vergleichbar. Wenn Sie die Wirkungswerte in der Konsole anzeigen, werden Ihnen nur normalisierte Auswirkungswerte angezeigt. Wenn Sie Explainability exportieren, erhalten Sie sowohl Rohwerte als auch normalisierte Ergebnisse. ## Erklärbarkeit von Forecast erstellen Mit Forecast Explainability können Sie untersuchen, wie sich Attribute auf Prognosewerte für bestimmte Zeitreihen zu bestimmten Zeitpunkten auswirken. Nach der Angabe von Zeitreihen und Zeitpunkten berechnet Amazon Forecast die Impact-Werte nur für diese bestimmten Zeitreihen und Zeitpunkte. Sie können Forecast Explainability für einen Prädiktor mithilfe des Software Development Kit (SDK) oder der Amazon Forecast-Konsole aktivieren. Wenn Sie das SDK verwenden, verwenden Sie den Vorgang. [CreateExplainability](API_CreateExplainability.md) **Topics** + [Zeitreihen angeben](#forecast-explainability-time-series) + [Zeitpunkte angeben](#forecast-explainability-time-points) ### Zeitreihen angeben **Anmerkung** Eine Zeitreihe ist eine Kombination aus dem Element (item\$1id) und allen Dimensionen in Ihren Datensätzen Wenn Sie Zeitreihen (Artikel- und Dimensionskombinationen) für Forecast Explainability angeben, berechnet Amazon Forecast die Wirkungswerte für Attribute nur für diese bestimmten Zeitreihen. Um eine Liste von Zeitreihen anzugeben, laden Sie eine CSV-Datei, die die Zeitreihen anhand ihrer item\$1id- und Dimensionswerte identifiziert, in einen S3-Bucket hoch. Sie können bis zu 50 Zeitreihen angeben. Sie müssen auch die Attribute und Attributtypen der Zeitreihen in einem Schema definieren. Ein Einzelhändler möchte beispielsweise wissen, wie sich eine Werbeaktion auf den Verkauf eines bestimmten Artikels (`item_id`) an einem bestimmten Ladenstandort (`store_location`) auswirkt. In diesem Anwendungsfall würden Sie die Zeitreihe angeben, die die Kombination aus item\$1id und store\$1location darstellt. Die folgende CSV-Datei wählt die folgenden fünf Zeitreihen aus: 1. Artikel-ID: 001, Standort des Geschäfts: Seattle 1. Artikel-ID: 001, Ladenstandort: New York 1. Artikel-ID: 002, Standort: Seattle 1. Artikel-ID: 002, Ladenstandort: New York 1. Artikel-ID: 003, Standort: Denver ``` 001, Seattle 001, New York 002, Seattle 002, New York 003, Denver ``` Das Schema definiert die erste Spalte als `item_id` und die zweite Spalte als. `store_location` Sie können Zeitreihen mit der Forecast-Konsole oder dem Forecast Software Development Kit (SDK) angeben. ------ #### [ Console ] **So geben Sie Zeitreihen für die Erklärbarkeit von Forecast an** 1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die Amazon Forecast-Konsole unter [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Wählen Sie **unter Datensatzgruppen** Ihre Datensatzgruppe aus. 1. Wählen Sie im Navigationsbereich ** Insights** aus. 1. Wählen Sie „**Erklärbarkeit erstellen**“ aus. 1. Geben **Sie im Feld Name der Erklärbarkeit** einen eindeutigen Namen für die Erklärbarkeit der Forecast ein. 1. **Wählen Sie im Feld Prognose auswählen Ihre Prognose aus**. 1. Geben Sie im Feld **S3-Standort** den Speicherort der Datei mit Ihrer Zeitreihe ein. 1. Geben Sie im Feld **Datenschema** den **Attributnamen und den **Attributtyp**** der Element-ID und der Dimensionen ein, die in Ihrer Zeitreihe verwendet werden. 1. Wählen Sie „**Erklärbarkeit erstellen**“. ------ #### [ SDK ] **So geben Sie Zeitreihen für die Erklärbarkeit von Forecast an** Geben Sie mithilfe der [CreateExplainability](API_CreateExplainability.md)Operation einen eindeutigen Namen für ExplainabilityName und geben Sie Ihren Prognose-ARN für an ResourceArn. Konfigurieren Sie die folgenden Datentypen: + `ExplainabilityConfig`- setzt Werte für TimeSeriesGranularity auf „SPECIFIC“ und TimePointGranularity auf „ALL“. (Um Zeitpunkte anzugeben, stellen Sie TimePointGranularity die Einstellung auf „SPEZIFISCH“ ein. Siehe [Zeitpunkte angeben](#forecast-explainability-time-points)) + `S3Config`- Stellen Sie die Werte für „Path“ auf den S3-Speicherort der Zeitreihendatei und „RoleArn“ auf eine Rolle mit Zugriff auf den S3-Bucket ein. + `Schema`- Definieren Sie „AttributeName“ und „AttributeType“ für item\$1id und die Dimensionen in Ihrer Zeitreihe. Das folgende Beispiel zeigt ein Schema für Zeitreihen, das eine Kombination aus „item\$1id“ und der Dimension „store\$1location“ verwendet. ``` { "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" } ] }, } ``` ------ ### Zeitpunkte angeben **Anmerkung** Wenn Sie keine Zeitpunkte (`"TimePointGranularity": "ALL"`) angeben, berücksichtigt Amazon Forecast bei der Berechnung der Impact-Werte den gesamten Prognosezeitraum. Wenn Sie Zeitpunkte für Forecast Explainability angeben, berechnet Amazon Forecast die Wirkungswerte für Attribute für diesen bestimmten Zeitraum. Sie können bis zu 500 aufeinanderfolgende Zeitpunkte innerhalb des Prognosehorizonts angeben. Ein Einzelhändler möchte beispielsweise wissen, wie sich seine Eigenschaften auf den Umsatz im Winter auswirken. In diesem Anwendungsfall würden sie die Zeitpunkte angeben, die sich nur auf den Winterzeitraum im Prognosezeitraum erstrecken. Sie können Zeitpunkte mit der Forecast-Konsole oder dem Forecast Software Development Kit (SDK) angeben. ------ #### [ Console ] **So geben Sie Zeitreihen für die Erklärbarkeit von Forecast an** 1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die Amazon Forecast-Konsole unter [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Wählen Sie **unter Datensatzgruppen** Ihre Datensatzgruppe aus. 1. Wählen Sie im Navigationsbereich ** Insights** aus. 1. Wählen Sie „**Erklärbarkeit erstellen**“ aus. 1. Geben **Sie im Feld Name der Erklärbarkeit** einen eindeutigen Namen für die Erklärbarkeit der Forecast ein. 1. **Wählen Sie im Feld Prognose auswählen Ihre Prognose aus**. 1. Geben Sie im Feld **S3-Standort** den Speicherort der Datei mit Ihrer Zeitreihe ein. 1. Geben Sie im Feld **Datenschema** den *Attributnamen und den *Attributtyp** der Element-ID und der Dimensionen ein, die in Ihrer Zeitreihe verwendet werden. 1. Geben Sie im Feld **Zeitdauer** das Startdatum und das Enddatum innerhalb des Kalenders an. 1. Wählen Sie „**Erklärbarkeit erstellen**“. ------ #### [ SDK ] **So geben Sie Zeitreihen für die Erklärbarkeit von Forecast an** Geben Sie mithilfe der [CreateExplainability](API_CreateExplainability.md)Operation einen eindeutigen Namen für ExplainabilityName und geben Sie Ihren Prognose-ARN für an ResourceArn. Legen Sie das Startdatum (`StartDateTime`) und das Enddatum (`EndDateTime`) im folgenden Zeitstempelformat fest: `yyyy-MM-ddTHH:mm:ss` (Beispiel: 2015-01-01T 20:00:00). Konfigurieren Sie die folgenden Datentypen: + `ExplainabilityConfig`- Setzen Sie die Werte für TimeSeriesGranularity auf „SPEZIFISCH“ und TimePointGranularity auf „SPEZIFISCH“. + `S3Config`- setzt die Werte für „Path“ auf den S3-Speicherort der Zeitreihendatei und „RoleArn“ auf eine Rolle mit Zugriff auf den S3-Bucket. + `Schema`- Definieren Sie „AttributeName“ und „AttributeType“ für item\$1id und die Dimensionen in Ihrer Zeitreihe. Das folgende Beispiel zeigt ein Schema für Zeitreihen, das eine Kombination aus „item\$1id“ und der Dimension „store\$1location“ verwendet. ``` { "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", } ``` ------ ## Visualisieren der Erklärbarkeit von Forecast Wenn Sie Forecast Explainability in der Konsole erstellen, visualisiert Forecast automatisch Ihre Impact-Ergebnisse. Wenn Sie Forecast Explainability mit dem [CreateExplainability](API_CreateExplainability.md)Vorgang erstellen, setzen Sie ihn `EnableVisualization` auf „true“ und die Auswirkungswerte für diese Erklärbarkeitsressource werden in der Konsole visualisiert. Die Visualisierungen der Auswirkungswerte sind ab dem Datum der Erstellung der Erklärbarkeit 30 Tage gültig. Um die Visualisierung neu zu erstellen, erstellen Sie eine neue Forecast Explainability. ## Erklärbarkeit der Forecast beim Exportieren **Anmerkung** Exportdateien können direkt Informationen aus dem Datensatz-Import zurückgeben. Dies macht die Dateien anfällig für CSV-Injections, wenn die importierten Daten Formeln oder Befehle enthalten. Aus diesem Grund können exportierte Dateien Sicherheitswarnungen auslösen. Um böswillige Aktivitäten zu vermeiden, deaktivieren Sie Links und Makros beim Lesen exportierter Dateien. Mit Forecast können Sie eine CSV-Datei mit Impact-Ergebnissen an einen S3-Speicherort exportieren. Der Export enthält rohe und normalisierte Wirkungswerte für die angegebene Zeitreihe sowie normalisierte aggregierte Wirkungswerte für alle angegebenen Zeitreihen und alle angegebenen Zeitpunkte. Wenn Sie keine Zeitpunkte angegeben haben, sind die Wirkungswerte bereits für alle Zeitpunkte in Ihrem Prognosehorizont aggregiert. ![\[Spreadsheet showing raw and normalized impact scores for various items and metrics over time.\]](http://docs.aws.amazon.com/de_de/forecast/latest/dg/images/explainability-export.png) Sie können Forecast Explainability mit dem Amazon Forecast Software Development Kit (SDK) und der Amazon Forecast-Konsole exportieren. ------ #### [ Console ] **Um Forecast Explainability zu exportieren** 1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die Amazon Forecast-Konsole unter [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/). 1. Wählen Sie **unter Datensatzgruppen** Ihre Datensatzgruppe aus. 1. Wählen Sie im Navigationsbereich ** Insights** aus. 1. Wählen Sie Ihre Erklärbarkeit aus. 1. **Wählen Sie im Drop-down-Menü **Aktionen** die Option Exportieren aus.** 1. Geben **Sie im Feld Exportname** einen eindeutigen Namen für den Export von Forecast Explainability ein. 1. Geben Sie im Feld **S3-Exportadresse für Erklärbarkeit den S3-Speicherort** ein, an dem die CSV-Datei exportiert werden soll. 1. Wählen Sie im Feld **IAM-Rolle** eine Rolle mit Zugriff auf den ausgewählten S3-Standort aus. 1. Wählen Sie „**Erklärbarkeitsexport erstellen**“. ------ #### [ SDK ] **Um Forecast Explainability zu exportieren** Geben Sie mithilfe des [CreateExplainabilityExport](API_CreateExplainabilityExport.md)Vorgangs Ihren S3-Standort und Ihre IAM-Rolle im `Destination` Objekt zusammen mit und an. `ExplainabilityArn` `ExplainabilityExportName` Beispiel: ``` { "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", } ``` ------ ## Einschränkungen und bewährte Methoden Beachten Sie bei der Arbeit mit Forecast Explainability die folgenden Einschränkungen und bewährten Methoden. + **Forecast Erklärbarkeit von Prognosen ist nur für einige Prognosen verfügbar, die aus generiert wurden. Sie können AutoPredictor die** Erklärbarkeit von Forecast nicht für Prognosen aktivieren, die mit älteren Prädiktoren generiert wurden (AutoML oder manuelle Auswahl). [Weitere](howitworks-predictor.md#upgrading-autopredictor) Informationen finden Sie unter Upgrade auf. AutoPredictor + **Die Erklärbarkeit von Prognosen ist nicht für alle Modelle verfügbar — Die Modelle** ARIMA (AutoRegressive Integrated Moving Average), ETS (Exponential Smoothing State Space Model) und NPTS (Non-Parametric Time Series) enthalten keine externen Zeitreihendaten. Daher erstellen diese Modelle keinen Erklärbarkeitsbericht, auch wenn Sie die zusätzlichen Datensätze einbeziehen. + **Für die Erklärbarkeit sind Attribute erforderlich** — Ihr Prädiktor muss mindestens eines der folgenden Elemente enthalten: verwandte Zeitreihen, Elementmetadaten, Feiertage oder den Wetterindex. + **Auswirkungswerte von Null bedeuten keine Auswirkung** — Wenn ein oder mehrere Attribute eine Auswirkungsbewertung von Null aufweisen, haben diese Attribute keine signifikante Auswirkung auf die Prognosewerte. Ein Punktewert kann auch Null sein, wenn nur ein Algorithmus AutoPredictor verwendet wurde, der kein ML-Algorithmus ist, oder wenn Sie keine entsprechenden Zeitreihen- oder Elementmetadaten angegeben haben. + **Geben Sie maximal 50 Zeitreihen** an — Sie können bis zu 50 Zeitreihen pro Forecast-Erklärbarkeit angeben. + **Geben Sie maximal 500 Zeitpunkte** an — Sie können bis zu 500 aufeinanderfolgende Zeitpunkte pro Forecast-Erklärbarkeit angeben. + **Forecast berechnet auch einige aggregierte Wirkungswerte**. Forecast liefert auch aggregierte Auswirkungswerte für die angegebenen Zeitreihen und Zeitpunkte. + **Erstellen Sie mehrere Ressourcen zur Erklärbarkeit von Prognosen für eine einzelne Forecast** — Wenn Sie Auswirkungswerte für mehr als 50 Zeitreihen oder 500 Zeitpunkte benötigen, können Sie die Erklärbarkeitsressourcen stapelweise erstellen, um einen größeren Bereich abzudecken. + **Vergleichen Sie die Rohwerte der Auswirkungen verschiedener Ressourcen zur Erklärbarkeit von Prognosen** — Die unverarbeiteten Wirkungswerte können direkt mit den Erklärbarkeitsressourcen derselben Forecast verglichen werden. + **Visualisierungen zur Erklärbarkeit von Forecast sind nach der Erstellung 30 Tage lang verfügbar. Um die Visualisierung nach** 30 Tagen anzuzeigen, erstellen Sie eine neue Forecast-Erklärbarkeit mit derselben Konfiguration.