Prophet für automatisierte Prognosen
Facebook Prophet, Trend-Wendepunkte, Feiertagseffekte, Unsicherheitsintervalle, Kreuzvalidierung.
Prophet für automatisierte Prognosen ist eine kostenlose Learn AI with Python-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Learn AI with Python-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Was ist Prophet?
Prophet ist eine Open-Source-Bibliothek zur Prognose von Meta. Sie passt Trend, Saisonalität und Feiertagseffekte automatisch an, geht robust mit fehlenden Daten und Ausreißern um und benötigt deutlich weniger Abstimmung als ARIMA. Dadurch eignet sie sich hervorragend für Geschäftsprognosen.
Installation und Import
Nach der Installation ist Prophet mit einem einzigen Import verfügbar.
# pip install prophet
from prophet import Prophet
import pandas as pdErforderliches DataFrame-Format
Prophet benötigt genau zwei Spalten: ds (Zeitstempel) und y (der vorherzusagende Wert). Die Umbenennung Ihrer Spalten in diese Namen ist zwingend erforderlich.
df = df.rename(columns={"date": "ds", "sales": "y"})
df["ds"] = pd.to_datetime(df["ds"])
print(df.head())Das Modell erstellen
Erzeugen Sie eine Instanz von Prophet und wählen Sie optional, wie die Saisonalität mit dem Trend kombiniert wird. multiplicative eignet sich für Zeitreihen, bei denen die saisonalen Schwankungen mit dem Niveau anwachsen.
m = Prophet(seasonality_mode="multiplicative")Additive vs. multiplikative Saisonalität
Standardmäßig wird additive verwendet (konstante saisonale Amplitude). Verwenden Sie multiplicative, wenn die Spitzenwerte mit zunehmendem Trend größer werden, etwa bei Verkaufszahlen, die in Jahren mit hohem Volumen stärker schwanken.
Das Modell anpassen
Rufen Sie fit für den vorbereiteten DataFrame auf. Prophet schätzt Trend-Wendepunkte und saisonale Komponenten automatisch.
m.fit(df)Einen zukünftigen DataFrame erstellen
make_future_dataframe erweitert den Datumsindex in die Zukunft, damit Prophet weiß, für welche Daten Prognosen erstellt werden sollen.
future = m.make_future_dataframe(periods=90, freq="D")
print(future.tail())Prognosen erzeugen
predict gibt einen DataFrame mit yhat (Prognose) sowie den Unsicherheitsgrenzen yhat_lower und yhat_upper zurück.
forecast = m.predict(future)
forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail()Die Prognose darstellen
Prophet bietet integrierte Diagramme: eine Prognose mit Unsicherheitsbereich sowie ein Komponentendiagramm, das den Trend und jede Saisonalität einzeln aufschlüsselt.
fig1 = m.plot(forecast)
fig2 = m.plot_components(forecast)Feiertage und Regressoren hinzufügen
Sie können Feiertage eines Landes oder eigene Ereignisse registrieren und mit add_regressor zusätzliche erklärende Variablen hinzufügen. Das verbessert häufig die Genauigkeit bei Geschäftsdaten.
m.add_country_holidays(country_name="US")
m.add_regressor("promo_flag")Kreuzvalidierung
Prophet validiert mit einer cross_validation vom Typ Rolling Origin. Anschließend berichtet performance_metrics RMSE, MAE und MAPE über verschiedene Prognosehorizonte hinweg.
from prophet.diagnostics import cross_validation, performance_metrics
cv = cross_validation(m, initial="365 days",
period="90 days", horizon="90 days")
performance_metrics(cv).head()Kurzer Check
Testen Sie Ihr Wissen über Prophet.
Zusammenfassung
Sie haben Prophet verwendet: Spalten in ds und y umbenannt, Prophet(seasonality_mode="multiplicative") erstellt, fit ausgeführt, mit make_future_dataframe einen zukünftigen DataFrame erstellt, predict ausgeführt, Diagramme erstellt und mit cross_validation validiert. Als Nächstes: Prognosen mit LSTM.
Häufig gestellte Fragen
Ist die Lektion „Prophet für automatisierte Prognosen“ kostenlos?
Ja — der vollständige Text von „Prophet für automatisierte Prognosen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Learn AI with Python-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Prophet für automatisierte Prognosen“?
Facebook Prophet, Trend-Wendepunkte, Feiertagseffekte, Unsicherheitsintervalle, Kreuzvalidierung. Du übst Learn AI with Python mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Learn AI with Python zu starten?
Keine Vorkenntnisse erforderlich. Learn AI with Python auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Prophet für automatisierte Prognosen“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Learn AI with Python-Lektion Code schreiben und ausführen?
Ja. Jede Learn AI with Python-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Komponenten und Stationarität von Zeitreihen
- ARIMA- und SARIMA-Modelle
- Prophet für automatisierte Prognosen
- LSTM für Zeitreihenprognosen