Prophet para previsão automatizada
Facebook Prophet, pontos de mudança de tendência, efeitos de feriados, intervalos de incerteza e validação cruzada.
Prophet para previsão automatizada é uma aula grátis de Learn AI with Python no CoddyKit. Esta é a aula 3 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Learn AI with Python, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Learn AI with Python inclui 4 aulas no total.
O que é o Prophet?
Prophet é uma biblioteca de código aberto para previsões, criada pela Meta. Ela ajusta automaticamente a tendência, a sazonalidade e os efeitos de feriados, lida bem com dados ausentes e valores discrepantes e exige muito menos ajustes que o ARIMA, sendo excelente para previsões de negócios.
Instalação e importação
Depois de instalado, o Prophet requer uma única importação.
# pip install prophet
from prophet import Prophet
import pandas as pdFormato obrigatório do DataFrame
O Prophet exige exatamente duas colunas: ds (data) e y (o valor a ser previsto). Renomear suas colunas com esses nomes é obrigatório.
df = df.rename(columns={"date": "ds", "sales": "y"})
df["ds"] = pd.to_datetime(df["ds"])
print(df.head())Criando o modelo
Instancie o Prophet, escolhendo opcionalmente como a sazonalidade será combinada com a tendência. multiplicative é adequado para séries em que as variações sazonais crescem junto com o nível.
m = Prophet(seasonality_mode="multiplicative")Sazonalidade aditiva versus multiplicativa
O padrão é additive (amplitude sazonal constante). Use multiplicative quando os picos aumentarem à medida que a tendência subir, como nas vendas que oscilam mais em anos de grande volume.
Ajustando o modelo
Chame fit no DataFrame preparado. O Prophet estima automaticamente os pontos de mudança da tendência e os componentes sazonais.
m.fit(df)Construindo um DataFrame futuro
make_future_dataframe estende o índice de datas para o futuro, para que o Prophet saiba quais datas deve prever.
future = m.make_future_dataframe(periods=90, freq="D")
print(future.tail())Gerando previsões
predict retorna um DataFrame com yhat (previsão), além dos limites de incerteza yhat_lower e yhat_upper.
forecast = m.predict(future)
forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail()Representando a previsão graficamente
O Prophet oferece gráficos integrados: a previsão com incerteza e um plot de componentes que separa a tendência e cada sazonalidade.
fig1 = m.plot(forecast)
fig2 = m.plot_components(forecast)Adicionando feriados e variáveis explicativas
Você pode cadastrar feriados do país ou eventos personalizados e adicionar variáveis explicativas extras com add_regressor, o que frequentemente melhora a acurácia em dados de negócios.
m.add_country_holidays(country_name="US")
m.add_regressor("promo_flag")Validação cruzada
O Prophet faz a validação com cross_validation de origem móvel; em seguida, performance_metrics informa RMSE, MAE e MAPE para diferentes horizontes.
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()Verificação rápida
Teste seus conhecimentos sobre Prophet.
Recapitulação
Você usou o Prophet: renomeou as colunas para ds e y, criou Prophet(seasonality_mode="multiplicative"), executou fit, construiu um quadro futuro com make_future_dataframe, executou predict, gerou gráficos e validou com cross_validation. A seguir: previsões com LSTM.
Perguntas Frequentes
A aula “Prophet para previsão automatizada” é grátis?
Sim — o texto completo de “Prophet para previsão automatizada” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Learn AI with Python, atualize para CoddyKit PRO. O curso de Learn AI with Python inclui 4 aulas no total.
O que vou aprender em “Prophet para previsão automatizada”?
Facebook Prophet, pontos de mudança de tendência, efeitos de feriados, intervalos de incerteza e validação cruzada. Você pratica Learn AI with Python com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Learn AI with Python?
Nenhuma experiência prévia é necessária. Learn AI with Python no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 3 de 4.
Quanto tempo leva a aula “Prophet para previsão automatizada”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Learn AI with Python?
Sim. Cada aula de Learn AI with Python inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Componentes de séries temporais e estacionariedade
- Modelos ARIMA e SARIMA
- Prophet para previsão automatizada
- LSTM para previsão de séries temporais