Personalizando e processando o modelo de previsão (Tutorial de mineração de dados intermediário)

O algoritmo Série Temporal da Microsoft fornece parâmetros que afetam como um modelo é criado e como os dados de tempo são analisados. Alterar essas propriedades pode afetar significativamente a forma como o modelo de mineração faz previsões.

Para esta tarefa no tutorial, você executará as seguintes tarefas para modificar o modelo:

1. Você personalizará a maneira como seu modelo lida com períodos de tempo adicionando um novo valor para o parâmetro PERIODICITY_HINT .

2. Você aprenderá sobre dois outros parâmetros importantes para o algoritmo Microsoft Time Series: FORECAST_METHOD, que permite controlar o método usado para previsão e PREDICTION_SMOOTHING, que permite personalizar a combinação de previsões de longo e curto prazo.

3. Opcionalmente, você informará ao algoritmo como deseja que os valores ausentes sejam imputados.

4. Depois que todas as alterações forem feitas, você implantará e processará o modelo.

Definindo parâmetros de série temporal

Dicas de periodicidade

O parâmetro PERIODICITY_HINT fornece ao algoritmo informações sobre períodos de tempo adicionais que você espera ver nos dados. Por padrão, os modelos de série temporal tentarão detectar automaticamente um padrão nos dados. No entanto, se você já conhece o ciclo de tempo esperado, fornecer uma dica de periodicidade pode potencialmente melhorar a precisão do modelo. No entanto, se você fornecer a dica de periodicidade errada, ela poderá diminuir a precisão; portanto, se você não tiver certeza de qual valor deve ser usado, é melhor usar o padrão.

Por exemplo, a exibição usada para este modelo agrega dados de vendas do Adventure Works DW Multidimensional 2012 com base mensal. Portanto, cada fatia de tempo usada pelo modelo representa um mês e todas as previsões também serão em termos de meses. Como há 12 meses em um ano e você espera que os padrões de vendas se repitam anualmente, você definirá o parâmetro PERIODICITY_HINT como 12, para indicar que 12 fatias de tempo (meses) constituem um ciclo de vendas completo.

Método de previsão

O parâmetro FORECAST_METHOD controla se o algoritmo de série temporal é otimizado para previsões de curto ou longo prazo. Por padrão, o parâmetro FORECAST_METHOD é definido como MIXED, o que significa que dois algoritmos diferentes são combinados e equilibrados para fornecer bons resultados para previsão de curto e longo prazo.

No entanto, se você souber que deseja usar um algoritmo específico, poderá alterar o valor para ARIMA ou ARTXP.

Ponderação entre previsões Long-Term e Short-Term

Você também pode personalizar a maneira como as previsões de longo e curto prazo são combinadas usando o parâmetro PREDICTION_SMOOTHING. Por padrão, esse parâmetro é definido como 0,5, o que geralmente fornece o melhor equilíbrio para a precisão geral.

Para alterar os parâmetros do algoritmo

1. Na guia Modelos de Mineração , clique com o botão direito do mouse em Previsão e selecione Definir Parâmetros de Algoritmo.

2. PERIODICITY_HINT Na linha da caixa de diálogo Parâmetros de Algoritmo, clique na coluna Valor e digite {12}, incluindo as chaves.

   Por padrão, o algoritmo também adicionará o valor {1}.

3. FORECAST_METHOD Na linha, verifique se a caixa de texto Valor está em branco ou definida como MIXED. Se um valor diferente tiver sido inserido, digite MIXED para alterar o parâmetro de volta para o valor padrão.

4. Na linha PREDICTION_SMOOTHING , verifique se a caixa de texto Valor está em branco ou definida como 0,5. Se um valor diferente tiver sido inserido, clique em Valor e digite 0.5 para alterar o parâmetro de volta para o valor padrão.

   Observação

   O parâmetro PREDICTION_SMOOTHING está disponível apenas no SQL Server Enterprise. Portanto, você não pode exibir ou alterar o valor do parâmetro PREDICTION_SMOOTHING no SQL Server Standard. No entanto, o comportamento padrão é usar ambos os algoritmos e ponderá-los igualmente.

5. Clique em OK.

Lidando com dados ausentes (opcional)

Em muitos casos, seus dados de vendas podem ter lacunas preenchidas com nulos, ou uma loja pode ter falhado em cumprir o prazo de relatório, resultando em uma célula vazia no final da série. Nesses cenários, o Analysis Services gera o erro a seguir e não processará o modelo.

"Erro (Mineração de dados): Timestamps não sincronizados começando com a série <nome da série>, do modelo de mineração, <nome do modelo>." Todas as séries temporais devem terminar ao mesmo tempo e não podem ter pontos de dados ausentes arbitrariamente. Definir o parâmetro MISSING_VALUE_SUBSTITUTION como Anterior ou como uma constante numérica corrigirá automaticamente pontos de dados ausentes sempre que possível."

Para evitar esse erro, você pode especificar que o Analysis Services forneça automaticamente novos valores para preencher as lacunas usando qualquer um dos seguintes métodos:

• Usando um valor médio. A média é calculada usando todos os valores válidos na mesma série de dados.

• Usando o valor anterior. Você pode substituir valores anteriores por várias células ausentes, mas não pode preencher valores iniciais.

• Usando um valor constante que você fornece.

Para especificar que as lacunas sejam preenchidas por valores médios

1. Na guia Modelos de Mineração , clique com o botão direito do mouse na coluna Previsão e selecione Definir Parâmetros de Algoritmo.

2. Na caixa de diálogo Parâmetros de Algoritmo , na linha MISSING_VALUE_SUBSTITUTION , clique na coluna Valor e digite Mean.

Criar o modelo

Para usar o modelo, você deve implantá-lo em um servidor e processar o modelo executando os dados de treinamento por meio do algoritmo.

Para processar o modelo de previsão

1. No menu Modelo de Mineração das Ferramentas de Dados do SQL Server, selecione Estrutura de Mineração de Processos e Todos os Modelos.

2. No aviso perguntando se você deseja compilar e implantar o projeto, clique em Sim.

3. Na caixa de diálogo Estrutura de Mineração do Processo – Previsão , clique em Executar.

   A caixa de diálogo Progresso do Processo é aberta para exibir informações sobre o processamento do modelo. O processamento de modelo pode levar algum tempo.

4. Depois que o processamento for concluído, clique em Fechar para sair da caixa de diálogo Progresso do Processo .

5. Clique em Fechar novamente para sair da caixa de diálogo Estrutura de Mineração do Processo – Previsão .

Próxima tarefa da lição

Explorando o modelo de previsão (Tutorial de mineração de dados intermediário)

Consulte Também

Referência técnica do algoritmo de série temporal da Microsoft
Algoritmo de Série Temporal da Microsoft
Requisitos e considerações de processamento (mineração de dados)