Prophet voor geautomatiseerde voorspellingen
Facebook Prophet, trendbreekpunten, vakantie-effecten, onzekerheidsintervallen, crossvalidatie.
Prophet voor geautomatiseerde voorspellingen is een gratis Leer AI met Python-les op CoddyKit. Dit is les 3 van 4. Je kunt 3 lessen uit dit leerpad gratis volledig lezen — daarna ontgrendelt CoddyKit PRO alle lessen, plus praktische oefeningen met een ingebouwde code-editor en een AI-tutor die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Leer AI met Python. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Leer AI met Python bevat in totaal 4 lessen.
Wat is Prophet?
Prophet is een opensourcebibliotheek voor voorspellingen van Meta. De bibliotheek modelleert automatisch trend, seizoenspatronen en effecten van feestdagen, verwerkt ontbrekende gegevens en uitschieters goed en heeft veel minder afstemming nodig dan ARIMA. Daardoor is Prophet zeer geschikt voor bedrijfsvoorspellingen.
Installeren en importeren
Na installatie heb je voor Prophet maar één import nodig.
# pip install prophet
from prophet import Prophet
import pandas as pdVereiste DataFrame-indeling
Prophet vereist precies twee kolommen: ds (datumstempel) en y (de te voorspellen waarde). Je kolommen naar deze namen hernoemen is verplicht.
df = df.rename(columns={"date": "ds", "sales": "y"})
df["ds"] = pd.to_datetime(df["ds"])
print(df.head())Het model maken
Maak een instantie van Prophet en kies eventueel hoe het seizoenspatroon met de trend wordt gecombineerd. multiplicatief past bij tijdreeksen waarin seizoensschommelingen groter worden naarmate het niveau stijgt.
m = Prophet(seasonality_mode="multiplicative")Additieve versus multiplicatieve seizoenspatronen
Standaard is het model additief (constante seizoensamplitude). Gebruik multiplicatief wanneer pieken groter worden naarmate de trend stijgt, zoals bij verkopen die in jaren met grote verkoopvolumes sterker schommelen.
Het model trainen
Roep fit aan op de voorbereide DataFrame. Prophet schat automatisch trendbreukpunten en seizoenscomponenten.
m.fit(df)Een toekomstige DataFrame maken
make_future_dataframe breidt de datumindex vooruit uit, zodat Prophet weet welke datums moeten worden voorspeld.
future = m.make_future_dataframe(periods=90, freq="D")
print(future.tail())Voorspellingen genereren
predict retourneert een DataFrame met yhat (voorspelling) plus yhat_lower en yhat_upper als onzekerheidsgrenzen.
forecast = m.predict(future)
forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail()De voorspelling visualiseren
Prophet heeft ingebouwde grafieken: de voorspelling met onzekerheid en een componentengrafiek die de trend en elk seizoenspatroon afzonderlijk toont.
fig1 = m.plot(forecast)
fig2 = m.plot_components(forecast)Feestdagen en regressoren toevoegen
Je kunt nationale feestdagen of aangepaste gebeurtenissen registreren en extra verklarende variabelen toevoegen met add_regressor. Dat verbetert vaak de nauwkeurigheid van bedrijfsgegevens.
m.add_country_holidays(country_name="US")
m.add_regressor("promo_flag")Kruisvalidatie
Prophet valideert met voortschrijdende cross_validation vanaf opeenvolgende eindpunten. Daarna rapporteert performance_metrics RMSE, MAE en MAPE over verschillende voorspellingshorizonten.
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()Korte controle
Test je kennis van Prophet.
Samenvatting
Je hebt Prophet gebruikt: kolommen hernoemd naar ds en y, Prophet(seasonality_mode="multiplicative") gemaakt, fit aangeroepen, een toekomstig gegevenskader gemaakt met make_future_dataframe, predict aangeroepen, de resultaten gevisualiseerd en gevalideerd met cross_validation. Hierna: voorspellen met LSTM.
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 53
- Lessen
- 225
Veelgestelde vragen
Is de les “Prophet voor geautomatiseerde voorspellingen” gratis?
Ja — je kunt hier op het web alle 3 lessen van het leerpad Leer AI met Python, waaronder “Prophet voor geautomatiseerde voorspellingen”, gratis volledig lezen. Daarna ontgrendelt CoddyKit PRO alle lessen, plus interactieve oefeningen met een ingebouwde code-editor en een AI-tutor die 24/7 beschikbaar is. De cursus Leer AI met Python bevat in totaal 4 lessen.
Wat leer ik in “Prophet voor geautomatiseerde voorspellingen”?
Facebook Prophet, trendbreekpunten, vakantie-effecten, onzekerheidsintervallen, crossvalidatie. Je oefent met Leer AI met Python door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Leer AI met Python te beginnen?
Ervaring vooraf is niet nodig. Leer AI met Python op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 3 van 4.
Hoe lang duurt de les “Prophet voor geautomatiseerde voorspellingen”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Leer AI met Python?
Ja. Elke les over Leer AI met Python bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Componenten en stationariteit van tijdreeksen
- ARIMA- en SARIMA-modellen
- Prophet voor geautomatiseerde voorspellingen
- LSTM voor voorspellingen in tijdreeksen