Skip to content

アプリケーション内で をクリックすると、お使いのDataRobotバージョンに関する全プラットフォームドキュメントにアクセスできます。

予測 > ポータブル予測方法 > スコアリングコード > 時系列プロジェクトのスコアリングコード

時系列プロジェクトのスコアリングコード

スコアリングコードは、DataRobotアプリケーションの外でDataRobotモデルを利用するための、ポータブルかつ低レイテンシーな手法です。 Javaベースのスコアリングコードパッケージの時系列モデルは、以下からエクスポートできます。

時系列のスコアリングコードに関する注意事項

スコアリングコードをサポートする時系列のプロジェクト、モデル、機能については、時系列のサポートセクションを参照してください。

CLIスコアリングの時系列パラメーター

DataRobotでは、コマンドラインでのスコアリングの使用が可能です。 次の表では、時系列のパラメーターについて説明します。

フィールド 必須 デフォルト 説明
--forecast_point=<value> いいえ なし 予測を行うフォーマットされた日付。
--date_format=<value> いいえ なし 出力に使用する日付形式。
--predictions_start_date=<value> いいえ なし 予測の計算の開始タイミングを示すタイムスタンプ。
--predictions_end_date=<value> いいえ なし 予測の計算の終了タイミングを示すタイムスタンプ。
--with_intervals いいえ なし 予測区間の計算をオンにします。
--interval_length=<value> いいえ なし 1から99までのint値としての間隔の長さ。
--time_series_batch_processing いいえ 無効 時系列モデルのパフォーマンスを最適化したバッチ処理を可能にします。

セグメント化されたモデリングプロジェクトのスコアリングコード

セグメントモデリングでは、複数系列プロジェクトのセグメントに対して個別のモデルを構築することができます。 そして、DataRobotはこれらのモデルを統合し、統合モデルを作成します。

備考

スコアリングコードのサポートは、クラスタリングモデルによって検出されたセグメントではなく、データセットのID列で定義されたセグメントに対して有効です。

セグメントモデルにスコアリングコードがあることを確認します

セグメントのチャンピオンモデルにスコアリングコードがない場合は、スコアリングコードがあるモデルを選択します。

  1. リーダーボードの結合モデルに移動します。

  2. セグメントドロップダウンメニューから、セグメントを選択します。 セグメントのチャンピオンを見つけます（セグメントチャンピオンインジケーターで指定）。

  3. セグメントチャンピオンにスコアリングコードインジケーターがない場合は、モデリング要件を満たし、スコアリングコードインジケーターがある新規モデルを選択します。 次に、上部のメニューからリーダーボードオプション > モデルをチャンピオンにするを選択します。

    セグメントには、スコアリングコードを持つセグメントチャンピオンが表示されます。

  4. 結合モデルの各セグメントに対してこのプロセスを繰り返し、すべてのセグメントチャンピオンがスコアリングコードを持っていることを確認します。

結合モデルのスコアリングコードのダウンロード

結合モデルのスコアリングコードJARをダウンロードするには：

スコアリングコードの予測区間

時系列モデルのダウンロード済みスコアリングコードJARに予測区間を含めることができるようになりました。 サポート間隔は1～99です。

予測区間を含むスコアリングコードのダウンロード

予測間隔を有効にしてスコアリングコードJARをダウンロードするには：

予測区間を使用したCLIの例

以下は、予測区間を使用してモデルをスコアリングするCLIの例です。

java -jar model.jar csv \
    --input=syph.csv \
    --output=output.csv \
    --with_intervals \
    --interval_length=87

機能に関する注意事項

スコアリングコードを使用する場合は、次の点に注意してください。

  • 運用環境でスコアリングコードを使用するには、モデル管理およびモデル監視を実装する必要があります（モデル管理およびモデル監視は、DataRobot APIによって事前定義済みで提供されます）。

  • エクスポート可能なJavaスコアリングコードを使用する場合、モデル構築で追加のRAMが必要になります。 したがって、この機能を使用するには、トレーニングデータセットを8GB以下にする必要があります。 8GBを超える大規模なプロジェクトは、メモリーの問題により失敗する可能性があります。 メモリー不足エラーが発生する場合は、サンプルサイズを小さくして再試行してください。 メモリー要件はモデルのスコアリング時には適用されません。 スコアリング中、データセットに関する唯一の制約は、スコアリングコードを実行するマシンのRAMです。

モデルサポート

スコアリングコードの使用を計画する場合は、モデルサポートに関する以下の注意事項を確認してください。

  • スコアリングコードは、サポート対象の組み込みタスクのみを含むモデルで使用できます。 カスタムモデル、または1つ以上の カスタムタスクを含むモデルでは使用できません。

  • スコアリングコードは、多ラベルプロジェクトではサポートされていません。

  • Kerasモデルは、デフォルトではスコアリングコードをサポートしていません。ただし、管理者が機能フラグ「Kerasモデルでスコアリングコードのサポートを有効化」を有効にすると、使用できるようになります。 これらのモデルはAndroidおよびSnowflakeのスコアリングコードと互換性がないことに注意してください。

その他に、スコアリングコードの生成ができないケースは次のとおりです。

テキストトークン化

デフォルトのテキストトークン化設定であるchar-gramsを使用すると、日本語テキストがサポートされます。

時系列のサポート

以下の時系列プロジェクトおよびモデルは、スコアリングコードをサポートしていません。

  • 時系列二値分類プロジェクト
  • 時系列特徴量の派生プロジェクトで、5GBを超えるデータセットが生成された場合
  • 時系列異常検知モデル

異常検知モデルのサポート

通常、時系列異常検知モデルではスコアリングコードはサポートされていませんが、IsolationForestと一部のXGBoostベースの異常検知モデルブループリントでは_サポートされています_。 サポートされている時系列ブループリントのリストについては、 スコアリングコードをサポートする時系列ブループリントを参照してください。

サポートされていない機能

スコアリングコードでは以下の機能がサポートされていません。

サポートされている機能

現在、時系列のスコアリングコードでは以下の機能がサポートされています。

加重特徴量のサポート

通常、加重特徴量はサポートされていますが、検定上の問題により、スコアリングコードが利用できなくなる場合があります。たとえば、ローリング合計の計算が異なることで、加重特徴量を持つプロジェクトと、weighted stdまたはweighted meanを持つ特徴量セットでトレーニングされたモデルで整合性の問題が発生することがあります。

スコアリングコードをサポートする時系列ブループリント

通常、以下のブループリントはスコアリングコードをサポートしています。

  • AUTOARIMA with Fixed Error Terms
  • ElasticNet Regressor (L2 / Gamma Deviance) using Linearly Decaying Weights with Forecast Distance Modeling
  • ElasticNet Regressor (L2 / Gamma Deviance) with Forecast Distance Modeling
  • ElasticNet Regressor (L2 / Poisson Deviance) using Linearly Decaying Weights with Forecast Distance Modeling
  • ElasticNet Regressor (L2 / Poisson Deviance) with Forecast Distance Modeling
  • Eureqa Generalized Additive Model (250 Generations)
  • Eureqa Generalized Additive Model (250 Generations) (Gamma Loss)
  • Eureqa Generalized Additive Model (250 Generations) (Poisson Loss)
  • Eureqa Regressor (Quick Search: 250 Generations)
  • eXtreme Gradient Boosted Trees Regressor
  • eXtreme Gradient Boosted Trees Regressor (Gamma Loss)
  • eXtreme Gradient Boosted Trees Regressor (Poisson Loss)
  • eXtreme Gradient Boosted Trees Regressor with Early Stopping
  • eXtreme Gradient Boosted Trees Regressor with Early Stopping (Fast Feature Binning)
  • eXtreme Gradient Boosted Trees Regressor with Early Stopping (Gamma Loss)
  • eXtreme Gradient Boosted Trees Regressor with Early Stopping (learning rate =0.06) (Fast Feature Binning)
  • eXtreme Gradient Boosting on ElasticNet Predictions
  • eXtreme Gradient Boosting on ElasticNet Predictions (Poisson Loss)
  • Light Gradient Boosting on ElasticNet Predictions
  • Light Gradient Boosting on ElasticNet Predictions (Gamma Loss)
  • Light Gradient Boosting on ElasticNet Predictions (Poisson Loss)
  • Performance Clustered Elastic Net Regressor with Forecast Distance Modeling
  • Performance Clustered eXtreme Gradient Boosting on Elastic Net Predictions
  • RandomForest Regressor
  • Ridge Regressor using Linearly Decaying Weights with Forecast Distance Modeling
  • Ridge Regressor with Forecast Distance Modeling
  • Vector Autoregressive Model (VAR) with Fixed Error Terms
  • IsolationForest Anomaly Detection with Calibration (time series)
  • Anomaly Detection with Supervised Learning (XGB) and Calibration (time series)

上記のブループリントはスコアリングコードをサポートしていますが、スコアリングコードが利用できない状況もあります。

  • スコアリングコードは、特徴量探索を使用して生成された一部のモデルでは使用できない場合があります。
  • イベントがデータセットにない場合、日付レベル以外のカレンダーで整合性の問題が発生する可能性があります。そのため、スコアリングコードは利用できません。
  • ゼロ以外のブラインド履歴がある状況で予測ポイントを推論すると、整合性の問題が発生する可能性があります。ただし、この場合もスコアリングコードを利用できます。
  • 日本語テキストにMeCabトークナイザーを用いたテキストのトークン化（高度なチューニングからアクセス）を使用する一部のモデルでは、スコアリングコードが利用できない場合があります。 オートパイロット中にデフォルト設定のchar-gramsを使用すると、日本語テキストがサポートされます。
  • ローリング合計の計算が異なることで、重み付け特徴量を持つプロジェクトと、weighted stdまたはweighted meanを持つ特徴量セットでトレーニングされたモデルで整合性の問題が発生することがあります。

予測の説明のサポート

スコアリングコードで予測の説明を使用する場合は、次の点に注意してください。

更新しました April 2, 2025