時間認識エクスペリメントの作成¶
時間認識モデリングは、分割手法として日付/時刻に基づいています。 教師あり学習では、データセットの他の特徴量を使用して予測を行います。 これに対して、教師なし学習では、ラベル付けされていないデータを使用して、データのパターンに関するインサイトを明らかにします。
以下のタイプの時間認識モデリングが利用可能です。 For all supervised learning methods, use the basic setup to create an experiment.
| タイプ | 説明 | 使用状況 |
|---|---|---|
| 時間認識予測 （教師あり） | 時系列予測が不要な場合に使用します。 | |
| 特徴量変換を用いた時間認識予測（教師あり） | 以下の場合に使用します。
|
|
| 時系列予測（教師あり） | Forecasts multiple future values of the target using the DataRobot automated feature derivation process to create the time series modeling dataset. | 以下の場合に使用します。
|
| 教師なしエクスペリメントのセットアップ | データのパターンに関するインサイトを明らかにしたり、異常検知によって外れ値を特定したりするクラスタリングモデルを構築します。 | ターゲットを指定せずに使用します。 |
備考
時間認識モデリングの基礎について、豊富な資料を用意しています。 While those instructions largely represent the workflow as applied in DataRobot Classic, the reference material describing the framework, feature derivation process for time series forecasts, and more are still applicable.
機能に関する注意事項¶
ワークベンチで日付/時刻パーティションプロジェクトを処理する場合は、次の点に注意してください。