TS | Automatisieren Sie die Zeitreihenprognose mit Auto-TS

„Vorhersage ist sehr schwierig, vor allem wenn es um die zukunft geht“.

irgendwelche Ideen, nachdem Sie das schöne Zitat oben gelesen haben. In meinen vorherigen Artikeln habe ich verschiedene automatisierte Bibliotheken zur Automatisierung von maschinellem Lernen und NLP-Aufgaben erklärt. Ähnlich, In diesem Artikel, Ich erkläre "So automatisieren Sie die Zeitreihenvorhersage mit Auto-TS".

Auto-TS ist Teil von AutoML, das einige der Komponenten des maschinellen Lernprozesses automatisieren wird. Dies automatisiert Bibliotheken und hilft Nicht-Experten, ein grundlegendes Modell des maschinellen Lernens zu trainieren, ohne viel Wissen auf diesem Gebiet zu haben. Hier In diesem Artikel, Ich werde diskutieren, wie man die Implementierung eines Zeitreihen-Prognosemodells mit der Auto-TS-Bibliothek automatisieren kann.

Was ist Auto-TS??

Es ist eine Open-Source-Python-Bibliothek, die im Wesentlichen verwendet wird, um Zeitreihenprognosen zu automatisieren. Es trainiert automatisch mehrere Zeitreihenmodelle mit einer einzigen Codezeile, was uns hilft, das beste für unsere Problemstellung auszuwählen.

In der Open-Source-Python-Bibliothek, Auto-TS, auto-ts.Auto_TimeSeries () ist die Hauptfunktion, die Sie mit Ihren Zugdaten aufrufen. Später, Wir können wählen, welche Art von Modellen Sie wünschen, als statistisch basierte Modelle, ml oder FB. Wir können auch die anpassen ParameterDas "Parameter" sind Variablen oder Kriterien, die zur Definition von, ein Phänomen oder System zu messen oder zu bewerten. In verschiedenen Bereichen wie z.B. Statistik, Informatik und naturwissenschaftliche Forschung, Parameter sind entscheidend für die Etablierung von Normen und Standards, die die Datenanalyse und -interpretation leiten. Ihre richtige Auswahl und Handhabung sind entscheidend, um genaue und relevante Ergebnisse in jeder Studie oder jedem Projekt zu erhalten.... Dadurch wird automatisch das beste Modell basierend auf dem Bewertungsparameter ausgewählt, auf dem es basieren soll. Es wird das beste Modell und ein Wörterbuch mit Vorhersagen für die von Ihnen erwähnte Anzahl von Forecast_periods zurückgegeben (Standard = 2).

Funktionen der Auto-TS-Bibliothek:

• Finden Sie das optimale Zeitreihen-Vorhersagemodell durch Optimierung der genetischen Programmierung.

• Trainiere naive Modelle, Statistiken, maschinelles Lernen und tiefes LernenTiefes Lernen, Eine Teildisziplin der Künstlichen Intelligenz, verlässt sich auf künstliche neuronale Netze, um große Datenmengen zu analysieren und zu verarbeiten. Diese Technik ermöglicht es Maschinen, Muster zu lernen und komplexe Aufgaben auszuführen, wie Spracherkennung und Computer Vision. Seine Fähigkeit, sich kontinuierlich zu verbessern, wenn mehr Daten zur Verfügung gestellt werden, macht es zu einem wichtigen Werkzeug in verschiedenen Branchen, von Gesundheit..., mit allen möglichen Hyperparametereinstellungen und Kreuzvalidierung.

• Führen Sie Datentransformationen durch, um mit unordentlichen Daten umzugehen, indem Sie die optimale NaN-Imputation und die Entfernung von Ausreißern lernen.

• Wahl der Kombination von Metriken für die Modellauswahl.

Installation:

pip install autots  ODER
pip3 installiere auto-ts   ODER
pip installieren git+git://github.com/AutoViML/Auto_TS

Anforderungen:

dask
scikit-lernen
FB Prophet
Statistikmodelle
pmdarima
XGBoost

Bibliothek importieren mit:

aus auto_ts importieren auto_timeseries

In auto_timeseries verfügbare Parameter:

model = auto_timeseries( score_type="rmse", time_interval="Monat", non_seasonal_pdq=Keine, Saisonalität=Falsch, saisonal_period=12, model_type=['Prophet'], ausführlich=2)

Sie können die Parameter optimieren und die Änderung der Modellleistung analysieren. Weitere Details zu den Parametern, klicke auf hier.

Verwendeter Datensatz:

Hier habe ich die verwendet Kurs der Amazon-Aktie Datensatz für Januar 2006 bis Januar 2018, welches von Kaggle heruntergeladen wird. Diese Bibliothek bietet nur Vorhersagemodelle für Zugzeitreihen. Der Datensatz muss eine Datums- oder Zeitformatspalte haben.

Anfänglich, Laden Sie das Dataset aus dem ZeitreiheEine Zeitreihe ist eine Reihe von Daten, die zu aufeinanderfolgenden Zeitpunkten gesammelt oder gemessen werden, in der Regel in regelmäßigen Zeitabständen. Diese Art der Analyse ermöglicht es Ihnen, Muster zu erkennen, Trends und Zyklen in Daten im Zeitverlauf. Seine Anwendung ist breit gefächert, in Bereichen wie Wirtschaft, Meteorologie und öffentliche Gesundheit, Erleichterung von Vorhersagen und Entscheidungsfindung auf der Grundlage historischer Informationen.... mit einer Spalte für Datum und Uhrzeit:

df = pd.read_csv("Amazon_Stock_Price.csv", usecols =[Datum, 'Close'])
df[Datum] = pd.to_datetime(df[Datum])
df = df.sort_values(Datum)

Jetzt, alle Daten in Test- und Trainingsdaten aufteilen:

train_df = df.iloc[:2800]
test_df = df.iloc[2800:]

Jetzt, wir visualisieren die Testteilung des Zuges:

train_df.Close.plot(Feigengröße=(15,8), Titel="AMZN-Aktienkurs", Schriftgröße=14, Etikett="Bahn")
test_df.Close.plot(Feigengröße=(15,8), Titel="AMZN-Aktienkurs", Schriftgröße=14, Etikett="Prüfen")
plt.legende()
plt.grid()
plt.zeigen()

Jetzt, Initialisieren Sie das Auto-TS-Modellobjekt, und passen Sie die Daten von AusbildungTraining ist ein systematischer Prozess zur Verbesserung der Fähigkeiten, körperliche Kenntnisse oder Fähigkeiten. Es wird in verschiedenen Bereichen angewendet, wie Sport, Aus- und Weiterbildung. Zu einem effektiven Trainingsprogramm gehört auch die Zielplanung, Regelmäßiges Üben und Bewerten der Fortschritte. Anpassung an individuelle Bedürfnisse und Motivation sind Schlüsselfaktoren, um in jeder Disziplin erfolgreiche und nachhaltige Ergebnisse zu erzielen....:

model = auto_timeseries(Forecast_Periode=219, score_type="rmse", time_interval="D", model_type="Beste")
model.fit(traindata= train_df, ts_column="Datum", Ziel="Nah dran")

Vergleichen wir nun die Genauigkeit verschiedener Modelle:

model.get_leaderboard()
model.plot_cv_scores()

Jetzt testen wir unser Modell mit Testdaten:

future_predictions = model.predict(Testdaten=219)

Schließlich, Sehen Sie sich den Wert und die Vorhersage der Testdaten an:

In auto_timeseries verfügbare Parameter:

model = auto_timeseries( score_type="rmse", time_interval="Monat", non_seasonal_pdq=Keine, Saisonalität=Falsch, saisonal_period=12, model_type=['Prophet'], ausführlich=2)

Parameter verfügbar in model.fit ():

model.fit( traindata=train_data, ts_column=ts_column, Ziel=Ziel, cv=5, sep="," )

In model.predict verfügbare Parameter ():

Vorhersagen = model.predict( testdata = kann entweder ein Datenrahmen oder eine ganze Zahl sein, die für den Prognosezeitraum steht, Modell="Beste" oder eine beliebige andere Zeichenfolge, die für das trainierte Modell steht )

Sie können mit all diesen Parametern spielen und die Leistung unseres Modells analysieren und dann das am besten geeignete Modell für Ihre Problemstellung auswählen.. Sie können alle diese Parameter im Detail überprüfen, indem Sie auf klicken hier.

Fazit:

In diesem Artikel, Ich habe besprochen, wie das Zeitreihenmodell in einer Zeile Python-Code automatisiert werden kann. Auto-TS führt Datenvorverarbeitung durch, da es Ausreißer aus Daten entfernt und unordentliche Daten verarbeitet, indem es die optimale NaN-Imputation lernt. Mit nur einer Codezeile, Initialisieren des Auto-TS-Objekts und Anpassen der Zugdaten, trainiert automatisch mehrere Zeitreihenmodelle wie ARIMA, SARIMAX, FB Prophet, WO, und generiert das leistungsstärkste Modell, das für unsere Problemstellung geeignet ist. Das Ergebnis des Modells scheint von der Größe des Datensatzes abzuhängen. Wenn wir versuchen, die Größe des Datensatzes zu erhöhen, das Ergebnis kann sich definitiv verbessern.

EndNote

Hoffe dir hat dieser Artikel gefallen. Irgendeine Frage? Habe ich was verpasst? Bitte, kontaktiere mich LinkedIn Oder hinterlasse unten einen Kommentar. Und schlussendlich, … Keine Notwendigkeit zu sagen,

Danke fürs Lesen!

Gesundheit!!

Verwandt