Prophet for automatisert prognostisering
Facebook Prophet, trendendringspunkter, feriepåvirkning, usikkerhetsintervaller og kryssvalidering.
Prophet for automatisert prognostisering er en gratis leksjon i Lær AI med Python på CoddyKit. Dette er leksjon 3 av 4. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Lær AI med Python, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.
Hva er Prophet?
Prophet er et åpen kildekode-bibliotek for prognoser fra Meta. Det tilpasser trend, sesongvariasjon og ferieeffekter automatisk, håndterer manglende data og uteliggere på en robust måte og krever langt mindre justering enn ARIMA. Derfor egner det seg godt til forretningsprognoser.
Installere og importere
Prophet krever bare én import etter installasjonen.
# pip install prophet
from prophet import Prophet
import pandas as pdObligatorisk DataFrame-format
Prophet krever nøyaktig to kolonner: ds (datostempel) og y (verdien som skal prognostiseres). Det er obligatorisk å gi kolonnene disse navnene.
df = df.rename(columns={"date": "ds", "sales": "y"})
df["ds"] = pd.to_datetime(df["ds"])
print(df.head())Opprette modellen
Opprett en instans av Prophet, og velg eventuelt hvordan sesongvariasjonen kombineres med trenden. multiplicative passer for serier der sesongsvingningene øker med nivået.
m = Prophet(seasonality_mode="multiplicative")Additiv eller multiplikativ sesongvariasjon
Standardinnstillingen er additive (konstant sesongamplitude). Bruk multiplicative når toppene blir større etter hvert som trenden stiger, for eksempel når salget varierer mer i år med høyt volum.
Tilpasse modellen
Kall fit på den klargjorte DataFrame-en. Prophet estimerer automatisk trendens endringspunkter og sesongkomponenter.
m.fit(df)Bygge en fremtidig DataFrame
make_future_dataframe forlenger datondeksen fremover slik at Prophet vet hvilke datoer som skal predikeres.
future = m.make_future_dataframe(periods=90, freq="D")
print(future.tail())Generere prediksjoner
predict returnerer en DataFrame med yhat (prognosen) samt yhat_lower og yhat_upper som usikkerhetsgrenser.
forecast = m.predict(future)
forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail()Plotte prognosen
Prophet har innebygde plott: prognosen med usikkerhet og et komponentplott som viser trend og hver sesongvariasjon separat.
fig1 = m.plot(forecast)
fig2 = m.plot_components(forecast)Legge til helligdager og regressorvariabler
De kan registrere nasjonale helligdager eller egendefinerte hendelser og legge til ekstra forklaringsvariabler med add_regressor, noe som ofte forbedrer nøyaktigheten for forretningsdata.
m.add_country_holidays(country_name="US")
m.add_regressor("promo_flag")Kryssvalidering
Prophet validerer med rullerende kryssvalidering med cross_validation, og performance_metrics rapporterer RMSE, MAE og MAPE for ulike prognosehorisonter.
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()Hurtigsjekk
Test kunnskapene Deres om Prophet.
Oppsummering
De brukte Prophet: ga kolonnene navnene ds og y, opprettet Prophet(seasonality_mode="multiplicative"), kjørte fit, bygde en fremtidig DataFrame med make_future_dataframe, kjørte predict, laget plott og validerte med cross_validation. Neste: prognoser med LSTM.
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 53
- Leksjoner
- 225
Ofte stilte spørsmål
Er leksjonen «Prophet for automatisert prognostisering» gratis?
Ja – du kan lese valgfritt 3 av leksjonene i læringsstien Lær AI med Python, inkludert «Prophet for automatisert prognostisering», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.
Hva lærer jeg i «Prophet for automatisert prognostisering»?
Facebook Prophet, trendendringspunkter, feriepåvirkning, usikkerhetsintervaller og kryssvalidering. Du øver på Lær AI med Python med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Lær AI med Python?
Ingen tidligere erfaring er nødvendig. Lær AI med Python på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 3 av 4.
Hvor lang tid tar leksjonen «Prophet for automatisert prognostisering»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Lær AI med Python-leksjonen?
Ja. Alle Lær AI med Python-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Tidsseriens komponenter og stasjonaritet
- ARIMA- og SARIMA-modeller
- Prophet for automatisert prognostisering
- LSTM for prognostisering av tidsserier