Amazon Forecast 不再提供給新客戶。Amazon Forecast 的現有客戶可以繼續正常使用服務。進一步了解」

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

預測可解釋性

Forecast Explainability 可協助您更加了解資料集中的屬性如何影響特定時間序列 （項目和維度組合） 和時間點的預測。預測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顏色對某些項目的銷售影響很大，但對其他項目的影響微乎其微。它也可能發現，在夏季的促銷活動對銷售有很大的影響，但在冬季促銷影響不大。

若要啟用預測可解釋性，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。如需詳細資訊，請參閱限制和最佳實務。

若要檢視資料集中所有時間序列和時間點的彙總影響分數，請使用 Predictor Explainability 而非 Forecast Explainability。請參閱預測器可解釋性。

解譯影響分數

影響分數會衡量屬性對預測值的相對影響。例如，如果 "price" 屬性的影響分數是 "store location" 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 "store location" 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，這由兩個圖形表示。具有藍色長條的屬性會增加預測值，而具有紅色長條的屬性則會減少預測值。

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。

所有或部分影響分數可能為零。如果功能不會影響預測值、AutoPredictor 僅使用非 ML 演算法，或您未提供相關的時間序列或項目中繼資料，則可能會發生這種情況。

對於預測可解釋性，影響分數有兩種形式：標準化影響分數和原始影響分數。原始影響分數是以 Shapley 值為基礎，且不會擴展或綁定。標準化影響分數會將原始分數擴展到介於 -1 和 1 之間的值。

原始影響分數有助於合併和比較不同可解釋性資源的分數。例如，如果您的預測器包含超過 50 個時間序列或超過 500 個時間點，您可以建立多個預測可解釋性資源，以涵蓋更大量的時間序列或時間點，並直接比較屬性的原始影響分數。不過，來自不同預測的預測可解釋性資源的原始影響分數無法直接比較。

在主控台中檢視影響分數時，您只會看到標準化影響分數。匯出可解釋性將為您提供原始分數和標準化分數。

建立預測可解釋性

透過預測可解釋性，您可以探索屬性如何影響特定時間點特定時間序列的預測值。指定時間序列和時間點之後，Amazon Forecast 只會計算這些特定時間序列和時間點的影響分數。

您可以使用軟體開發套件 (SDK) 或 Amazon Forecast 主控台，為預測器啟用預測可解釋性。使用 SDK 時，請使用 CreateExplainability 操作。

指定時間序列

當您為預測可解釋性指定時間序列 （項目和維度組合） 時，Amazon Forecast 只會計算這些特定時間序列的屬性影響分數。

若要指定時間序列清單，請將依 item_id 和維度值識別時間序列的 CSV 檔案上傳至 S3 儲存貯體。您最多可以指定 50 個時間序列。您還必須在結構描述中定義時間序列的屬性和屬性類型。

例如，零售商可能想知道提升如何影響特定商店位置 (item_id) 中特定項目 () 的銷售store_location。在此使用案例中，您會指定 item_id 和 store_location 組合的時間序列。

下列 CSV 檔案會選取下列五個時間序列：

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

結構描述會將第一欄定義為 item_id，第二欄定義為 store_location。

您可以使用預測主控台或預測軟體開發套件 (SDK) 來指定時間序列。

Console

指定預測可解釋性的時間序列

1. 登入 AWS 管理主控台 並開啟位於 https：//https://console.aws.amazon.com/forecast/ 的 Amazon Forecast 主控台。

2. 從資料集群組中，選擇您的資料集群組。

3. 在導覽窗格中，選擇 Insights。

4. 選擇建立可解釋性。

5. 在可解釋性名稱欄位中，提供預測可解釋性的唯一名稱。

6. 在選取預測欄位中，選擇您的預測。

7. 在 S3 位置欄位中，輸入 檔案的位置與您的時間序列。

8. 在資料結構描述欄位中，設定用於時間序列的項目 ID 和維度的屬性名稱和屬性類型。

9. 選擇建立可解釋性。

SDK

指定預測可解釋性的時間序列

使用 CreateExplainability 操作，為 ExplainabilityName 提供唯一名稱，並提供 ResourceArn 的預測 ARN。

設定下列資料類型：

• ExplainabilityConfig - 將 TimeSeriesGranularity 的值設定為 "SPECIFIC"，將 TimePointGranularity 設定為 "ALL"。（若要指定時間點，請將 TimePointGranularity 設定為「SPECIFIC」。 請參閱指定時間點)

• S3Config - 將「路徑」的值設定為時間序列檔案的 S3 位置，並將「RoleArn」設定為可存取 S3 儲存貯體的角色。

• Schema - 定義 item_id 的「AttributeName」和「AttributeType」，以及時間序列中的維度。

以下範例顯示結合「item_id」和「store_location」維度的時間序列結構描述。

{
    "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"
            }
         ]
      },
}

指定時間點

當您指定 Forecast Explainability 的時間點時，Amazon Forecast 會計算該特定時間範圍屬性的影響分數。您可以在預測期間內指定最多 500 個連續時間點。

例如，零售商可能想知道其屬性如何影響冬天的銷售。在此使用案例中，他們會指定僅跨越預測期間之冬季期間的時間點。

您可以使用預測主控台或預測軟體開發套件 (SDK) 來指定時間點。

Console

指定預測可解釋性的時間序列

1. 登入 AWS 管理主控台 並開啟位於 https：//https://console.aws.amazon.com/forecast/ 的 Amazon Forecast 主控台。

2. 從資料集群組中，選擇您的資料集群組。

3. 在導覽窗格中，選擇 Insights。

4. 選擇建立可解釋性。

5. 在可解釋性名稱欄位中，提供預測可解釋性的唯一名稱。

6. 在選取預測欄位中，選擇您的預測。

7. 在 S3 位置欄位中，輸入 檔案的位置與您的時間序列。

8. 在資料結構描述欄位中，將屬性名稱設定為時間序列中使用的項目 ID 和維度的屬性類型。

9. 在時間持續時間欄位中，指定行事曆中的開始日期和結束日期。

10. 選擇建立可解釋性。

SDK

指定預測可解釋性的時間序列

使用 CreateExplainability 操作，為 ExplainabilityName 提供唯一名稱，並提供 ResourceArn 的預測 ARN。使用以下時間戳記格式設定開始日期 (StartDateTime) 和結束日期 (EndDateTime)：yyyy-MM-ddTHH:mm:ss（範例：2015-01-01T20：00：00)。

設定下列資料類型：

• ExplainabilityConfig - 將 TimeSeriesGranularity 的值設定為「SPECIFIC」，將 TimePointGranularity 設定為「SPECIFIC」。

• S3Config - 將「路徑」的值設定為時間序列檔案的 S3 位置，並將「RoleArn」設定為可存取 S3 儲存貯體的角色。

• Schema - 定義 item_id 的「AttributeName」和「AttributeType」，以及時間序列中的維度。

以下範例顯示結合「item_id」和「store_location」維度的時間序列結構描述。

{
    "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",
}

視覺化預測可解釋性

在主控台中建立預測可解釋性時，預測會自動視覺化您的影響分數。使用 CreateExplainability 操作建立預測可解釋性時，將 EnableVisualization設為「true」，並在主控台中視覺化該可解釋性資源的影響分數。

從可解釋性建立日期起，影響分數視覺化會持續 30 天。若要重新建立視覺化效果，請建立新的預測可解釋性。

匯出預測可解釋性

預測可讓您將影響分數的 CSV 檔案匯出至 S3 位置。

匯出包含指定時間序列的原始和標準化影響分數，以及所有指定時間序列和所有指定時間點的標準化彙總影響分數。如果您未指定時間點，則已彙總預測期間所有時間點的影響分數。

您可以使用 Amazon Forecast 軟體開發套件 (SDK) 和 Amazon Forecast 主控台匯出 Forecast Explainability。

Console

匯出預測可解釋性

1. 登入 AWS 管理主控台 ，並在 https：//https://console.aws.amazon.com/forecast/ 開啟 Amazon Forecast 主控台。

2. 從資料集群組中，選擇您的資料集群組。

3. 在導覽窗格中，選擇 Insights。

4. 選取您的可解釋性。

5. 從動作下拉式清單中，選擇匯出。

6. 在匯出名稱欄位中，提供 Forecast Explainability 匯出的唯一名稱。

7. 在 S3 可解釋性匯出位置欄位中，輸入 S3 位置以匯出 CSV 檔案。

8. 在 IAM 角色欄位中，選擇可存取所選 S3 位置的角色。

9. 選擇建立可解釋性匯出。

SDK

匯出預測可解釋性

使用 CreateExplainabilityExport 操作，指定Destination物件中的 S3 位置和 IAM 角色，以及 ExplainabilityArn和 ExplainabilityExportName。

例如：

{
   "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",
}

限制和最佳實務

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