中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

預(yù)計閱讀時間：8min

閱讀建議：本文為Prophet代碼實現(xiàn)篇

解決痛點：Prophet如何通過Python實現(xiàn)？此篇文章，幫助你上手實現(xiàn)。

首先，要安裝包，fbprophet包依賴于pystan。由于包的安裝有很多依賴，因此強(qiáng)烈建議用conda裝。

在碼代碼之前，要先引入pandas、numpy、matplotlib等常規(guī)數(shù)據(jù)科學(xué)庫，以及主角fbprophet。由于文件是通過excel存儲的，因此還需先將excel導(dǎo)入，日期變更為date類型，并且將字段命名為“ds”和“y”（Prophet默認(rèn)應(yīng)用這兩個字段）。

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom fbprophet import Prophet
data = pd.read_excel('./xxx.xlsx')data['date'] = pd.to_datetime(data['date'], format='%Y%m%d')data = data.rename(columns = {'date':'ds', 'y':'y'})[['ds','y']]data.head(5) #查看前五條記錄data.tail(5) #查看后五條記錄

導(dǎo)入數(shù)據(jù)前后五條記錄

在模型搭建之前，需要先對數(shù)據(jù)歷史趨勢有一個宏觀了解，繪制數(shù)據(jù)趨勢圖。

數(shù)據(jù)歷史趨勢圖

Prophet的模型訓(xùn)練及預(yù)測，類似Sklearn的方法，訓(xùn)練fit()、預(yù)測predict()。這里由于我們了解數(shù)據(jù)的變動會受到季節(jié)、周、天的影響，存在一定的規(guī)律性，因此我們將這三個參數(shù)設(shè)置成True，并且采用中國的假期模式，其余參數(shù)均保持默認(rèn)，代碼如下：

model = Prophet(yearly_seasonality=True, weekly_seasonality=True, daily_seasonality=True)model.add_country_holidays(country_name='CN')model.fit(data)

Prophet參數(shù)及默認(rèn)值介紹，內(nèi)容理論可參考「原理篇」：

· growth：趨勢函數(shù)設(shè)置，默認(rèn)線性“l(fā)inear”，可選非線性“l(fā)ogistic”。

· changepoints：選擇突變點，默認(rèn)自動選擇“None”。例如：雙十一訂單突增，指定突變點。

· n_changepoints：突變點個數(shù)，默認(rèn)“25個”。如果changepoints指定，則這個參數(shù)就廢棄了；如果changepoints沒指定，則會從輸入的歷史數(shù)據(jù)前80%中自動選取25個突變點。

· changepoint_range：突變點數(shù)據(jù)范圍，默認(rèn)“80%”。同樣，如果changepoints指定，則這個參數(shù)就廢棄了。

· changepoint_prior_scale: 調(diào)節(jié)“changepoints”發(fā)現(xiàn)強(qiáng)度，默認(rèn)“0.05”。值越大對歷史數(shù)據(jù)擬合程度越強(qiáng)，但會增加過擬合的風(fēng)險。

· yearly_seasonality: 數(shù)據(jù)是否有年季節(jié)性，默認(rèn)“自動檢測”。

· weekly_seasonality: 數(shù)據(jù)是否有周季節(jié)性，默認(rèn)“自動檢測”。

· daily_seasonality: 數(shù)據(jù)是否有天季節(jié)性，默認(rèn)“自動檢測”。

· holidays：指定節(jié)假日，默認(rèn)“None”，支持手動輸入指定節(jié)假日。以DataFrame格式輸入，涵蓋：必須列【holiday(string)、ds(date)】、可選列【lower_window(int)、upper_window(int)，指定影響的前后窗口期】。

· seasonality_mode: 季節(jié)性效應(yīng)模式，默認(rèn)加法模式“additive”，可選“multiplicative”乘法模式。

· seasonality_prior_scale: 調(diào)節(jié)季節(jié)性效應(yīng)模式強(qiáng)度，默認(rèn)“10”。值越大，季節(jié)性對模型影響越大。

· holidays_prior_scale: 調(diào)節(jié)節(jié)假日模式強(qiáng)度，默認(rèn)“10”。值越大，節(jié)假日對模型影響越大。

模型預(yù)測輸出預(yù)測值、預(yù)測上限、預(yù)測下限等字段。

模型提供預(yù)測輸出的可視化展示，通過fbprophet自帶的可視化組件完成。

from fbprophet.plot import plot_plotly, plot_components_plotlyfig1 = model.plot(forecast)fig1.savefig('temp1.png')

預(yù)測可視化輸出

同時支持趨勢模型、周期模型、節(jié)假日模型的解耦。

預(yù)測解耦可視化輸出

評估模型的準(zhǔn)確程度，通過RMSE（均方根誤差）來度量y與y_predict的差異程度，值越小，擬合越好。

train_len = len(data['y'])rmse = np.sqrt(sum((data['y'] - forecast['yhat'].head(train_len)) ** 2) / train_len)print('RMSE Error in forecasts = {}'.format(round(rmse, 2)))

RMSE值輸出

以上流程實現(xiàn)了Prophet模型搭建，但考慮到未來我們還要復(fù)用通過此歷史數(shù)據(jù)訓(xùn)練的模型，因此我們要將模型存儲到本地，并在需要的時候?qū)⑵鋵?dǎo)入。

• Prophet對缺失值友好，但對異常值敏感。異常值可設(shè)置成None，防止影響模型的擬合。
  

• 模型默認(rèn)線性趨勢，但如果數(shù)據(jù)按照log方式增長的，可調(diào)節(jié)為growth=”logistic”邏輯回歸模型。

• 當(dāng)我們預(yù)先知道某天會影響數(shù)據(jù)的整體走勢，可以提前將此天設(shè)置成轉(zhuǎn)折點（changepoint）。

• 在設(shè)定周期性時，模型默認(rèn)按照年、星期、天設(shè)定，月和小時如需要自行設(shè)定。

• 針對節(jié)假日，可通過holiday來進(jìn)行調(diào)節(jié)，針對不同的假期，可調(diào)整不同的前后窗口期，例如：春節(jié)7日，但是春運影響近30日。