CREATE SNOWFLAKE.ML.FORECAST¶

Syntax¶

CREATE [ OR REPLACE ] SNOWFLAKE.ML.FORECAST [ IF NOT EXISTS ] <model_name>(
  INPUT_DATA => <input_data>,
  [ SERIES_COLNAME => '<series_colname>', ]
  TIMESTAMP_COLNAME => '<timestamp_colname>',
  TARGET_COLNAME => '<target_colname>',
  [ CONFIG_OBJECT => <config_object> ]
)
[ [ WITH ] TAG ( <tag_name> = '<tag_value>' [ , <tag_name> = '<tag_value>' , ... ] ) ]
[ COMMENT = '<string_literal>' ]

CREATE SNOWFLAKE.ML.FORECAST <name>(
  '<input_data>', '<series_colname>', '<timestamp_colname>', '<target_colname>'
);

Parameter¶

model_name

Gibt den Bezeichner für das Modell an. Dieser muss für das Schema, in dem das Modell erstellt wird, eindeutig sein.

Wenn der Modellbezeichner nicht vollqualifiziert ist (im Format db_name.schema_name.name oder schema_name.name), erstellt der Befehl das Modell im aktuellen Schema der Sitzung.

Darüber hinaus muss der Bezeichner mit einem Buchstaben beginnen und darf keine Leer- oder Sonderzeichen enthalten, es sei denn, die gesamte Bezeichnerzeichenfolge wird in doppelte Anführungszeichen gesetzt (z. B. "My object"). Bei Bezeichnern, die in doppelte Anführungszeichen eingeschlossen sind, ist auch die Groß-/Kleinschreibung zu beachten.

Weitere Details dazu finden Sie unter Anforderungen an Bezeichner.

Konstruktorargumente¶

Benötigt:

INPUT_DATA => input_data

Eine Referenz auf die Eingabedaten. Die Verwendung einer Referenz ermöglicht bei einem Trainingsprozess, der mit eingeschränkten Berechtigungen ausgeführt wird, Ihre Berechtigungen für den Zugriff auf die Daten zu nutzen. Sie können eine Referenz auf eine Tabelle oder eine Ansicht verwenden, wenn Ihre Daten bereits in dieser Form vorliegen, oder Sie können eine Abfragereferenz verwenden, um die Abfrage bereitzustellen, die zum Abrufen der Daten ausgeführt werden soll.

Um diesen Verweis zu erstellen, können Sie das Schlüsselwort TABLE mit dem Tabellennamen, dem Ansichtsnamen oder der Abfrage verwenden, oder Sie können die Funktion SYSTEM$REFERENCE oder SYSTEM$QUERY_REFERENCE aufrufen.

Die referenzierten Daten umfassen alle Trainingsdaten, die vom Prognosemodell genutzt werden. Wenn input_data Spalten enthält, die nicht timestamp_colname, target_colname oder series_colname heißen, werden sie als exogene Variablen (zusätzliche Features) betrachtet. Die Reihenfolge der Spalten in den Eingabedaten ist unbedeutend.

Die Spalten für Ihre Eingabedaten müssen für Ihren Anwendungsfall geeignete Typen haben. Weitere Informationen zu den einzelnen Anwendungsfällen finden Sie unter Beispiele.

Anwendungsfall	Spalten und Typen
Einzelne Zeitreihen	Spalte für Zeitstempel: TIMESTAMP_NTZ. Spalte für Zielwert: FLOAT.
Mehrere Zeitreihen	Spalte für Zeitreihe: VARIANT mit numerischen Werten und Text. Spalte für Zeitstempel: TIMESTAMP_NTZ. Spalte für Zielwert: FLOAT.
Einzelne Zeitreihen mit exogenen Variablen	Spalte für Zeitstempel: TIMESTAMP_NTZ. Spalte für Zielwert: FLOAT. Spalten für exogene Features: Numerisch oder Text
Mehrere Zeitreihen mit exogenen Variablen	Spalte für Zeitreihe: VARIANT mit numerischen Werten und Text. Spalte für Zeitstempel: TIMESTAMP_NTZ. Spalte für Zielwert: FLOAT. Spalten für exogene Features: Numerisch oder Text

TIMESTAMP_COLNAME => 'timestamp_colname'

Name der Spalte, die in input_data die Zeitstempel enthält.

TARGET_COLNAME => 'target_colname'

Name der Spalte, die in input_data das Ziel (abhängiger Wert) enthält.

Optional:

SERIES_COLNAME => 'series_colname'

Bei Multizeitreihen-Modellen der Name der Spalte, die in input_data die mehreren Zeitreihen definiert. Diese Spalte kann ein Wert eines beliebigen Typs oder ein Array von Werten aus einer oder mehreren anderen Spalten sein, wie unter Prognoseerstellung für mehrere Zeitreihen gezeigt.

Wenn Sie Argumente positionsbezogen bereitstellen, muss dies das zweite Argument sein.

CONFIG_OBJECT => config_object

Ein OBJECT mit Schlüssel-Wert-Paaren, die zur Konfiguration des Modelltraining-Jobs verwendet werden.

Schlüssel	Typ	Standard	Beschreibung
aggregation_categorical	STRING	'MODE'	Die Aggregationsmethode für kategoriale Features Folgende Werte werden unterstützt: 'MODE': Der häufigste Wert. 'FIRST': Der früheste Wert. 'LAST': Der letzte Wert.
aggregation_numeric	STRING	'MEAN'	Die Aggregationsmethode für numerische Features Folgende Werte werden unterstützt: 'MEAN': Der Durchschnitt der Werte. 'MEDIAN': Der mittlere Wert. MODE: Der häufigste Wert. 'MIN': Der kleinste Wert. 'MAX': Der größte Wert. 'SUM': Die Summe der Werte. 'FIRST': Der früheste Wert. 'LAST': Der letzte Wert.
aggregation_target	STRING	Wie aggregation_numeric oder 'MEAN', wenn nicht angegeben	Die Aggregationsmethode für den Zielwert. Folgende Werte werden unterstützt: 'MEAN': Der Durchschnitt der Werte. 'MEDIAN': Der mittlere Wert. MODE: Der häufigste Wert. 'MIN': Der kleinste Wert. 'MAX': Der größte Wert. 'SUM': Die Summe der Werte. 'FIRST': Der früheste Wert. 'LAST': Der letzte Wert.
aggregation_column	Objekt	k.A.	Ein Objekt mit Schlüssel-Wert-Paaren (beide Zeichenfolgen), die die Aggregationsmethode für bestimmte Spalten angeben. Der Schlüssel ist der Spaltenname und der Wert ist die Aggregationsmethode. Wenn eine Spalte nicht angegeben wird, verwendet das Modell die durch aggregation_numeric oder aggregation_categorical angegebene Methode oder den Standardwert für diesen Spaltentyp (MEAN für numerische, MODE für kategorische).
evaluate	BOOLEAN	TRUE	Gibt an, ob Bewertungskennzahlen erstellt werden sollen. Wenn TRUE, dann werden zusätzliche Modelle für die Kreuzvalidierung unter Verwendung der Parameter in evaluation_config trainiert.
evaluation_config	OBJECT	Siehe Konfiguration der Bewertung unten.	Ein optionales Konfigurationsobjekt, das angibt, wie Bewertungskennzahlen für Daten generiert werden sollen, die außerhalb der Stichprobe liegen (out-of-sample).
frequency	STRING	k.A.	Die Frequenz der Zeitreihe Wenn nicht angegeben, ermittelt das Modell die Häufigkeit. Der Wert muss eine Zeichenfolge sein, die einen Zeitraum angibt, z. B. '1 day'. Zu den unterstützten Einheiten gehören Sekunden, Minuten, Stunden, Tage, Wochen, Monate, Quartale und Jahre. Sie können den Intervallnamen im Singular („Stunde“) oder im Plural („Stunden“) verwenden, dürfen ihn aber nicht abkürzen.
on_error	STRING	'ABORT'	Zeichenfolge (Konstante), die die Fehlerbehandlungsmethode für die Modelltrainingaufgabe angibt. Dies ist besonders nützlich, wenn mehrere Zeitreihen trainiert werden. Folgende Werte werden unterstützt: 'abort': Trainingsoperation abbrechen, wenn in einer Zeitreihe ein Fehler auftritt. 'skip': Alle Zeitreihen überspringen, bei denen während des Trainings ein Fehler auftritt. Dies ermöglicht ein erfolgreiches Modelltraining für andere Zeitreihen. Um festzustellen, welche Zeitreihen fehlgeschlagen sind, verwenden Sie die Methode <Name_des_Modells>!SHOW_TRAINING_LOGS des Modells.

Konfiguration der Bewertung¶

Das Objekt evaluation_config enthält Schlüssel-Wert-Paare zur Konfiguration der Kreuzvalidierung. Diese Parameter stammen aus TimeSeriesSplit von scikit-learn.

Schlüssel	Typ	Standard	Beschreibung
n_splits	INTEGER	1	Anzahl der Splits.
max_train_size	INTEGER oder NULL (kein Maximum).	NULL	Maximale Größe für ein einzelnes Trainingsset.
test_size	INTEGER oder NULL.	NULL	Wird verwendet, um die Größe des Testsets zu begrenzen.
gap	INTEGER	0	Anzahl der Stichproben, die am Ende jedes Trainingsset vor dem Testset ausgeschlossen werden sollen.
prediction_interval	FLOAT	0,95	Das Vorhersageintervall, das bei der Berechnung von Intervall-Kennzahlen verwendet wird.

Nutzungshinweise¶

Die Replikation wird für Klasseninstanzen nicht unterstützt, außer für Instanzen der Klasse CUSTOM_CLASSIFIER.

Beispiele¶

Siehe Beispiele.