Prophet para previsiones automatizadas
Facebook Prophet, puntos de cambio de tendencia, efectos de festivos, intervalos de incertidumbre y validación cruzada.
Prophet para previsiones automatizadas es una lección gratuita de Learn AI with Python en CoddyKit. Esta es la lección 3 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Learn AI with Python, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Qué es Prophet?
Prophet es una biblioteca de código abierto para predicciones, desarrollada por Meta. Ajusta automáticamente la tendencia, la estacionalidad y los efectos de los días festivos, gestiona de forma robusta los datos ausentes y los valores atípicos y requiere muchos menos ajustes que ARIMA, por lo que resulta excelente para las predicciones empresariales.
Instalación e importación
Prophet se importa una sola vez después de instalarlo.
# pip install prophet
from prophet import Prophet
import pandas as pdFormato requerido del DataFrame
Prophet requiere exactamente dos columnas: ds (marca temporal) y y (el valor que se va a predecir). Es obligatorio cambiar los nombres de sus columnas a estos nombres.
df = df.rename(columns={"date": "ds", "sales": "y"})
df["ds"] = pd.to_datetime(df["ds"])
print(df.head())Creación del modelo
Instancie Prophet y, opcionalmente, elija cómo se combina la estacionalidad con la tendencia. multiplicative es adecuado para series en las que las variaciones estacionales crecen junto con el nivel.
m = Prophet(seasonality_mode="multiplicative")Estacionalidad aditiva frente a multiplicativa
La opción predeterminada es aditive (amplitud estacional constante). Utilice multiplicative cuando los picos aumenten a medida que crece la tendencia, como ocurre con las ventas cuyas variaciones son mayores durante los años de alto volumen.
Ajuste del modelo
Llame a fit sobre el DataFrame preparado. Prophet estima automáticamente los puntos de cambio de la tendencia y los componentes estacionales.
m.fit(df)Creación de un DataFrame futuro
make_future_dataframe extiende el índice de fechas hacia el futuro para que Prophet sepa qué fechas debe predecir.
future = m.make_future_dataframe(periods=90, freq="D")
print(future.tail())Generación de predicciones
predict devuelve un DataFrame con yhat (predicción), además de los límites de incertidumbre yhat_lower y yhat_upper.
forecast = m.predict(future)
forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail()Representación de la predicción
Prophet incluye gráficos integrados: uno de la predicción con su incertidumbre y otro de componentes que desglosa la tendencia y cada estacionalidad.
fig1 = m.plot(forecast)
fig2 = m.plot_components(forecast)Adición de festivos y regresores
Puede registrar los días festivos de un país o eventos personalizados y añadir variables explicativas adicionales con add_regressor, lo que suele mejorar la precisión en datos empresariales.
m.add_country_holidays(country_name="US")
m.add_regressor("promo_flag")Validación cruzada
Prophet valida mediante cross_validation con origen móvil; después, performance_metrics informa de RMSE, MAE y MAPE para distintos horizontes.
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()Comprobación rápida
Compruebe sus conocimientos sobre Prophet.
Resumen
Ha utilizado Prophet: ha cambiado los nombres de las columnas a ds y y, ha creado Prophet(seasonality_mode="multiplicative"), ha ejecutado fit, ha creado un marco futuro con make_future_dataframe, ha ejecutado predict, ha generado gráficos y ha validado el modelo con cross_validation. Siguiente tema: predicción con LSTM.
Preguntas frecuentes
¿La lección «Prophet para previsiones automatizadas» es gratis?
Sí — el texto completo de «Prophet para previsiones automatizadas» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Learn AI with Python, actualiza a CoddyKit PRO. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Qué aprenderé en «Prophet para previsiones automatizadas»?
Facebook Prophet, puntos de cambio de tendencia, efectos de festivos, intervalos de incertidumbre y validación cruzada. Practicas Learn AI with Python con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Learn AI with Python?
No se requiere experiencia previa. Learn AI with Python en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 3 de 4.
¿Cuánto tiempo toma la lección «Prophet para previsiones automatizadas»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Learn AI with Python?
Sí. Cada lección de Learn AI with Python incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Componentes y estacionariedad de series temporales
- Modelos ARIMA y SARIMA
- Prophet para previsiones automatizadas
- LSTM para previsión de series temporales