Learn AI with Python · Ders

ARIMA ve SARIMA Modelleri

AR, MA ve I bileşenleri, ACF/PACF ile parametre seçimi ve statsmodels ile ARIMA uydurma.

ARIMA ve SARIMA Modelleri, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.

ARIMA Nedir

ARIMA, AutoRegressive Integrated Moving Average ifadesinin kısaltmasıdır. Durağan bir seriyi üç bölüm kullanarak modeller: özbağlanım (p), bütünleştirme/fark alma (d) ve hataların hareketli ortalaması (q). Bu model ARIMA(p, d, q) şeklinde yazılır.

AR(p): Özbağlanımlı

AR terimi, sonraki değeri kendi önceki p değerlerinin doğrusal birleşiminden tahmin eder. Bugünün değeri son birkaç güne güçlü biçimde bağlıysa sıfırdan farklı bir p değerine ihtiyacınız vardır.

Örnek: p=2, en yakın iki gözlemi tahmin edici olarak kullanır.

I(d): Bütünleştirme / Fark Alma

I terimi, seriyi durağan hâle getirmek için gereken d fark alma derecesidir; bu, önceki derste ADF testiyle bulduğunuz d değerinin aynısıdır. d=1, doğrusal bir eğilimi ortadan kaldırır.

MA(q): Hareketli Ortalama

MA terimi, sonraki değeri geçmişteki q tahmin hatalarını (şokları) kullanarak modeller. AR bölümünün yakalayamadığı kısa vadeli gürültü düzeltmelerini ele alır.

statsmodels ile ARIMA Uydurma

Serinizi endog olarak ve seçtiğiniz derece demetiyle aktarın.

from statsmodels.tsa.arima.model import ARIMA

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

Tahmin Yapma

Model uydurulduktan sonra forecast veya get_forecast ile gelecekteki değerleri üretin; get_forecast güven aralıklarını da sağlar.

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

ACF ve PACF Grafikleri

p ve q değerlerini seçmek için otokorelasyon grafiklerini inceleyin:

ACF (otokorelasyon), q değerini (MA derecesini) seçmeye yardımcı olur.
PACF (kısmi otokorelasyon), p değerini (AR derecesini) seçmeye yardımcı olur.

Korelasyonun keskin biçimde sona erdiği gecikmeyi arayın.

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

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

Derece Seçimi İçin AIC ve BIC

AIC ve BIC, karmaşıklığı cezalandırırken modelin uyumunu puanlar. Daha düşük değer daha iyidir. Birkaç (p,d,q) adayı uydurun ve AIC/BIC değeri en düşük olanı seçin; BIC, ek parametreleri daha güçlü biçimde cezalandırır.

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

Dereceleri Izgarayla Arama

Yaygın bir yaklaşım, p, d ve q için küçük aralıklar üzerinde döngü kurar, her modeli uydurur ve AIC değeri en düşük olanı saklar. pmdarima.auto_arima gibi kütüphaneler bu aramayı otomatikleştirir.

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)

Mevsimsellik İçin SARIMA

SARIMA, mevsimsel bir bileşen ekler: (P, D, Q, m). Burada m, mevsim uzunluğudur (aylık verilerde yıllık dönem için 12). Standart ARIMA'nın ele alamadığı tekrarlanan örüntüleri işler.

from statsmodels.tsa.statespace.sarimax import SARIMAX

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

ARIMA ve SARIMA

ARIMA(p,d,q): eğilimi ve kısa vadeli bağımlılığı ele alır, mevsimselliği içermez.
SARIMA(p,d,q)(P,D,Q,m): tekrarlanan döngüler için mevsimsel terimler ekler.

Ayrıştırmanız belirgin bir mevsimsellik gösterdiyse SARIMA'yı seçin.

Hızlı Kontrol

ARIMA bilginizi sınayın.

Özet

ARIMA(p,d,q) modelini öğrendiniz: AR geçmiş değerleri kullanır, I fark alma derecesini belirtir, MA ise geçmiş hataları kullanır. ARIMA(endog, order=...) ile model uydurdunuz, dereceleri ACF/PACF ve AIC/BIC ile seçtiniz ve mevsimsellik için SARIMA modeline geçtiniz. Sırada: otomatik tahmin için Prophet.

Sıkça Sorulan Sorular

“ARIMA ve SARIMA Modelleri” dersi ücretsiz mi?

Evet — “ARIMA ve SARIMA Modelleri” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.

“ARIMA ve SARIMA Modelleri” dersinde ne öğreneceğim?

AR, MA ve I bileşenleri, ACF/PACF ile parametre seçimi ve statsmodels ile ARIMA uydurma. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.

“ARIMA ve SARIMA Modelleri” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

← Learn AI with Python Sayfasına Dön