पाइथन के साथ एआई सीखें · पाठ

ARIMA और SARIMA मॉडल

AR, MA और I घटक, ACF/PACF के साथ पैरामीटर चयन तथा statsmodels में ARIMA फिटिंग।

पाठ 2, कुल 4 में से13 चरण

ARIMA और SARIMA मॉडल, CoddyKit पर पाइथन के साथ एआई सीखें का एक निःशुल्क पाठ है। यह 4 में से 2वाँ पाठ है। इस अध्ययन पथ के 3 तक कोई भी पाठ पूरा पढ़ना निःशुल्क है — इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ व्यावहारिक अभ्यास भी उपलब्ध कराता है। यह पाइथन के साथ एआई सीखें सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। पाइथन के साथ एआई सीखें पाठ्यक्रम में कुल 4 पाठ शामिल हैं।

ARIMA क्या है

ARIMA का पूरा नाम AutoRegressive समाकलित चल औसत है। यह तीन भागों का उपयोग करके स्थिर श्रृंखला का मॉडल बनाता है: आत्मप्रतिगमन (p), समाकलन/अंतर-करण (d) और त्रुटियों का चल औसत (q), जिसे ARIMA(p, d, q) के रूप में लिखा जाता है।

एआर(p): आत्मप्रतिगमन

एआर पद अपने पिछले p मानों के रैखिक संयोजन से अगले मान का पूर्वानुमान लगाता है। यदि आज का मान पिछले कुछ दिनों पर बहुत निर्भर करता है, तो आपको शून्य से अलग p की आवश्यकता होगी।

उदाहरण: p=2 में सबसे हाल के दो प्रेक्षणों का उपयोग पूर्वानुमानकर्ताओं के रूप में किया जाता है।

आई(d): समाकलन / अंतर-करण

आई पद वह d अंतर-करण क्रम है जो श्रृंखला को स्थिर बनाने के लिए आवश्यक होता है। यह ठीक वही d है जिसे आपने पिछले पाठ में ADF जाँच से पाया था। d=1 एक रैखिक प्रवृत्ति को हटा देता है।

MA(q): चल औसत

MA पद पिछले q पूर्वानुमान त्रुटियों (झटकों) का उपयोग करके अगले मान का मॉडल बनाता है। यह उन अल्पकालिक शोर-सुधारों को पकड़ता है जिन्हें एआर भाग नहीं पकड़ पाता।

statsmodels में ARIMA का समंजन

अपनी श्रृंखला और चुने हुए क्रम-ट्यूपल को endog के रूप में दें।

from statsmodels.tsa.arima.model import ARIMA

model = ARIMA(endog=series, order=(p, d, q))
fit = model.fit()
print(fit.summary())

पूर्वानुमान लगाना

समंजन के बाद forecast या get_forecast से भविष्य के मान बनाएँ। get_forecast विश्वास अंतराल भी देता है।

preds = fit.forecast(steps=12)        # next 12 periods
fc = fit.get_forecast(steps=12)
ci = fc.conf_int()                    # confidence intervals

ACF और PACF आलेख

p और q चुनने के लिए स्वतःसहसंबंध आलेख देखें:

ACF (स्वतःसहसंबंध) q (MA क्रम) चुनने में सहायता करता है।
PACF (आंशिक स्वतःसहसंबंध) p (एआर क्रम) चुनने में सहायता करता है।

उस विलंब को देखें जहाँ सहसंबंध अचानक समाप्त हो जाता है।

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

plot_acf(series.diff().dropna())
plot_pacf(series.diff().dropna())

क्रम चुनने के लिए AIC और BIC

AIC और BIC जटिलता के लिए दंड लगाते हुए मॉडल के समंजन का मूल्यांकन करते हैं। कम मान बेहतर होता है। कई (p,d,q) उम्मीदवारों का समंजन करें और सबसे कम AIC/BIC वाले को चुनें; BIC अतिरिक्त पैरामीटरों पर अधिक कड़ा दंड लगाता है।

print("AIC:", fit.aic)
print("BIC:", fit.bic)

क्रमों की ग्रिड खोज

एक सामान्य तरीका p, d और q की छोटी-छोटी सीमाओं पर बार-बार चलता है, प्रत्येक का समंजन करता है और सबसे कम AIC वाले को रखता है। pmdarima.auto_arima जैसी लाइब्रेरी इस खोज को स्वचालित करती हैं।

best = None
for p in range(3):
    for q in range(3):
        try:
            f = ARIMA(series, order=(p, 1, q)).fit()
            if best is None or f.aic < best[1]:
                best = ((p, 1, q), f.aic)
        except Exception:
            pass
print(best)

मौसमीपन के लिए SARIMA

SARIMA एक मौसमी घटक जोड़ता है: (P, D, Q, m), जहाँ m मौसम की लंबाई है, जैसे मासिक-वार्षिक डेटा के लिए 12। यह उन दोहराए जाने वाले पैटर्नों को संभालता है जिन्हें सामान्य ARIMA नहीं संभाल सकता।

from statsmodels.tsa.statespace.sarimax import SARIMAX

model = SARIMAX(series,
    order=(1, 1, 1),
    seasonal_order=(1, 1, 1, 12))
fit = model.fit()

ARIMA बनाम SARIMA

ARIMA(p,d,q): प्रवृत्ति और अल्पकालिक निर्भरता, लेकिन मौसमीपन नहीं।
SARIMA(p,d,q)(P,D,Q,m): दोहराए जाने वाले चक्रों के लिए मौसमी पद जोड़ता है।

यदि आपके विघटन में स्पष्ट मौसमीपन दिखाई दिया हो, तो SARIMA चुनें।

त्वरित जाँच

ARIMA संबंधी अपने ज्ञान की जाँच करें।

इंटरैक्टिव पाठ में इसका उत्तर दें

पुनरावलोकन

आपने ARIMA(p,d,q) सीखा: एआर पिछले मानों का उपयोग करता है, आई अंतर-करण क्रम है और MA पिछली त्रुटियों का उपयोग करता है। आपने ARIMA(endog, order=...) से समंजन किया, ACF/PACF और AIC/BIC के माध्यम से क्रम चुने और मौसमीपन के लिए SARIMA तक विस्तार किया। अगला विषय: स्वचालित पूर्वानुमान के लिए प्रॉफेट।

शुरुआत निःशुल्क

एआई शिक्षक के साथ Python सीखें — निःशुल्क

अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।

पाठ्यक्रम: 53
पाठ: 225

निःशुल्क सीखना शुरू करें पूरा पाठ्यक्रम देखें

अक्सर पूछे जाने वाले प्रश्न

क्या “ARIMA और SARIMA मॉडल” पाठ निःशुल्क है?

हाँ — पाइथन के साथ एआई सीखें अध्ययन पथ के 3 तक कोई भी पाठ, जिसमें “ARIMA और SARIMA मॉडल” भी शामिल है, यहाँ वेब पर पूरा पढ़ना निःशुल्क है। इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ इंटरैक्टिव अभ्यास भी उपलब्ध कराता है। पाइथन के साथ एआई सीखें पाठ्यक्रम में कुल 4 पाठ शामिल हैं।

“ARIMA और SARIMA मॉडल” में मैं क्या सीखूँगा?

AR, MA और I घटक, ACF/PACF के साथ पैरामीटर चयन तथा statsmodels में ARIMA फिटिंग। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ पाइथन के साथ एआई सीखें का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।

क्या पाइथन के साथ एआई सीखें शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?

पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर पाइथन के साथ एआई सीखें शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 2वाँ पाठ है।

“ARIMA और SARIMA मॉडल” पाठ पूरा करने में कितना समय लगता है?

CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।

क्या मैं इस पाइथन के साथ एआई सीखें पाठ में कोड लिख और चला सकता हूँ?

हाँ। हर पाइथन के साथ एआई सीखें पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।

इस पाठ्यक्रम के सभी पाठ

← पाइथन के साथ एआई सीखें पर वापस जाएँ