Prophet pour la prévision automatisée
Facebook Prophet, points de changement de tendance, effets des jours fériés, intervalles d’incertitude, validation croisée.
Prophet pour la prévision automatisée est une leçon Learn AI with Python gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Learn AI with Python, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Learn AI with Python comprend 4 leçons au total.
Qu’est-ce que Prophet ?
Prophet est une bibliothèque de prévision à code source ouvert créée par Meta. Elle ajuste automatiquement la tendance, la saisonnalité et les effets des jours fériés, gère correctement les données manquantes et les valeurs aberrantes, et nécessite beaucoup moins de réglages qu’ARIMA, ce qui la rend idéale pour les prévisions commerciales.
Installation et importation
Prophet ne nécessite qu’un seul import une fois installé.
# pip install prophet
from prophet import Prophet
import pandas as pdFormat requis pour le DataFrame
Prophet exige exactement deux colonnes : ds (date et heure) et y (la valeur à prévoir). Renommer vos colonnes avec ces noms est obligatoire.
df = df.rename(columns={"date": "ds", "sales": "y"})
df["ds"] = pd.to_datetime(df["ds"])
print(df.head())Créer le modèle
Instanciez Prophet en choisissant éventuellement la façon dont la saisonnalité se combine avec la tendance. Le mode multiplicative convient aux séries où les variations saisonnières augmentent avec le niveau.
m = Prophet(seasonality_mode="multiplicative")Saisonnalité additive ou multiplicative
Le mode par défaut est additive (amplitude saisonnière constante). Utilisez multiplicative lorsque les pics augmentent avec la tendance, comme pour des ventes dont les variations sont plus fortes pendant les années de volume élevé.
Ajuster le modèle
Appelez fit sur le DataFrame préparé. Prophet estime automatiquement les points de changement de tendance et les composantes saisonnières.
m.fit(df)Construire un DataFrame futur
make_future_dataframe prolonge l’index des dates vers l’avenir afin que Prophet sache quelles dates prévoir.
future = m.make_future_dataframe(periods=90, freq="D")
print(future.tail())Générer les prévisions
predict renvoie un DataFrame contenant yhat (la prévision), ainsi que les bornes d’incertitude yhat_lower et yhat_upper.
forecast = m.predict(future)
forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail()Tracer les prévisions
Prophet propose des graphiques intégrés : les prévisions avec leur incertitude et un graphique des composantes qui distingue la tendance et chaque saisonnalité.
fig1 = m.plot(forecast)
fig2 = m.plot_components(forecast)Ajouter des jours fériés et des variables explicatives
Vous pouvez enregistrer les jours fériés d’un pays ou des événements personnalisés et ajouter des variables explicatives supplémentaires avec add_regressor, ce qui améliore souvent la précision des données commerciales.
m.add_country_holidays(country_name="US")
m.add_regressor("promo_flag")Validation croisée
Prophet effectue une validation avec origine glissante grâce à cross_validation, puis performance_metrics fournit RMSE, MAE et MAPE pour différents horizons.
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()Vérification rapide
Testez vos connaissances sur Prophet.
Récapitulatif
Vous avez utilisé Prophet : renommé les colonnes en ds et y, créé Prophet(seasonality_mode="multiplicative"), appelé fit, construit un tableau futur avec make_future_dataframe, appelé predict, utilisé plot et effectué une validation avec cross_validation. Ensuite : les prévisions avec LSTM.
Questions Fréquemment Posées
La leçon « Prophet pour la prévision automatisée » est-elle gratuite ?
Oui — le texte complet de « Prophet pour la prévision automatisée » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Learn AI with Python, passe à CoddyKit PRO. Le cours Learn AI with Python comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Prophet pour la prévision automatisée » ?
Facebook Prophet, points de changement de tendance, effets des jours fériés, intervalles d’incertitude, validation croisée. Tu pratiques Learn AI with Python avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Learn AI with Python ?
Aucune expérience préalable n'est requise. Learn AI with Python sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « Prophet pour la prévision automatisée » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Learn AI with Python ?
Oui. Chaque leçon Learn AI with Python inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Composantes des séries temporelles et stationnarité
- Modèles ARIMA et SARIMA
- Prophet pour la prévision automatisée
- LSTM pour la prévision de séries temporelles