Prophet automaattiseen ennustamiseen
Facebook Prophet, trendin muutoskohdat, lomavaikutukset, epävarmuusvälit, ristiinvalidointi.
Prophet automaattiseen ennustamiseen on ilmainen Oppikaa tekoälyä Pythonilla-oppitunti CoddyKitissä. Tämä on oppitunti 3/4. Voit lukea tästä oppimispolusta kokonaan mitkä tahansa 3 oppituntia ilmaiseksi — sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä käytännön harjoittelun sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppitunti kuuluu Oppikaa tekoälyä Pythonilla-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 4 oppituntia.
Mikä Prophet on
Prophet on Metan avoimen lähdekoodin ennustekirjasto. Se sovittaa trendin, kausivaihtelun ja lomavaikutukset automaattisesti, käsittelee puuttuvaa dataa ja poikkeavia havaintoja joustavasti ja vaatii paljon vähemmän säätämistä kuin ARIMA, joten se sopii erinomaisesti liiketoimintaennusteisiin.
Asentaminen ja tuominen
Prophet tuodaan yhdellä import-lauseella, kun se on asennettu.
# pip install prophet
from prophet import Prophet
import pandas as pdVaadittu DataFrame-muoto
Prophet edellyttää täsmälleen kahta saraketta: ds (aikaleima) ja y (ennustettava arvo). Sarakkeiden nimeäminen näiksi nimiksi on pakollista.
df = df.rename(columns={"date": "ds", "sales": "y"})
df["ds"] = pd.to_datetime(df["ds"])
print(df.head())Mallin luominen
Luo Prophet-olio ja valitse halutessasi, miten kausivaihtelu yhdistyy trendiin. multiplicative sopii aikasarjoihin, joissa kausivaihtelut kasvavat tason mukana.
m = Prophet(seasonality_mode="multiplicative")Additiivinen ja multiplikatiivinen kausivaihtelu
Oletus on additive eli kausivaihtelun amplitudi pysyy vakiona. Käytä arvoa multiplicative, kun huiput kasvavat trendin noustessa, kuten myynnissä, jonka vaihtelu on suurempaa suuren volyymin vuosina.
Mallin sovittaminen
Kutsu fit-toimintoa valmistellulla DataFrame-kehyksellä. Prophet arvioi trendin muutoskohdat ja kausittaiset komponentit automaattisesti.
m.fit(df)Tulevan DataFramen rakentaminen
make_future_dataframe jatkaa päivämääräindeksiä tulevaisuuteen, jotta Prophet tietää, mille päivämäärille ennusteet luodaan.
future = m.make_future_dataframe(periods=90, freq="D")
print(future.tail())Ennusteiden luominen
predict palauttaa DataFramen, joka sisältää arvon yhat (ennuste) sekä epävarmuusrajat yhat_lower ja yhat_upper.
forecast = m.predict(future)
forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail()Ennusteen piirtäminen
Prophet sisältää valmiit kuvaajat: epävarmuuden sisältävän ennusteen sekä komponenttikuvaajan, joka erittelee trendin ja jokaisen kausivaihtelun.
fig1 = m.plot(forecast)
fig2 = m.plot_components(forecast)Lomien ja regressoreiden lisääminen
Voitte rekisteröidä kansallisia pyhäpäiviä tai mukautettuja tapahtumia sekä lisätä selittäviä muuttujia add_regressor-toiminnolla. Tämä parantaa usein liiketoimintadatan ennustetarkkuutta.
m.add_country_holidays(country_name="US")
m.add_regressor("promo_flag")Ristiinvalidointi
Prophet validoi mallin liukuvaan alkuperään perustuvalla cross_validation-menetelmällä, minkä jälkeen performance_metrics ilmoittaa RMSE-, MAE- ja MAPE-mittarit eri ennustehorisonteille.
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()Pikatesti
Testatkaa Prophetiä koskevat tietonne.
Kertaus
Käytitte Prophetia: nimesitte sarakkeet uudelleen muotoon ds ja y, loitte mallin komennolla Prophet(seasonality_mode="multiplicative"), sovititte sen komennolla fit, rakensitte tulevan kehyksen komennolla make_future_dataframe, loitte ennusteet komennolla predict, piirsitte tulokset ja validoitte mallin cross_validation-menetelmällä. Seuraavaksi käsitellään LSTM-ennustamista.
Opi Python tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 53
- Oppitunnit
- 225
Usein kysytyt kysymykset
Onko oppitunti ”Prophet automaattiseen ennustamiseen” ilmainen?
Kyllä — voit lukea täällä verkossa kokonaan ilmaiseksi mitkä tahansa Oppikaa tekoälyä Pythonilla-oppimispolun 3 oppituntia, myös oppitunnin “Prophet automaattiseen ennustamiseen”. Sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä interaktiiviset harjoitukset sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Prophet automaattiseen ennustamiseen”?
Facebook Prophet, trendin muutoskohdat, lomavaikutukset, epävarmuusvälit, ristiinvalidointi. Harjoittelet Oppikaa tekoälyä Pythonilla-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Oppikaa tekoälyä Pythonilla-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Oppikaa tekoälyä Pythonilla-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 3/4.
Kuinka kauan ”Prophet automaattiseen ennustamiseen”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Oppikaa tekoälyä Pythonilla-oppitunnilla?
Kyllä. Jokainen Oppikaa tekoälyä Pythonilla-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Aikasarjojen komponentit ja stationaarisuus
- ARIMA- ja SARIMA-mallit
- Prophet automaattiseen ennustamiseen
- LSTM aikasarjojen ennustamiseen