Dieser Artikel wurde im Rahmen der Data Science Blogathon
Inhaltsverzeichnis
Werfen wir einen kurzen Blick auf diesen Blog.
→ Was ist ein 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....?
→ Real-Life-Zeitreihenszenarien
→ Zeitreihenanalyse
→ Prognose
→ Prognosetypen
1) Quantitative Prognose
2) Qualitative Prognose
→ Regression versus Zeitreihen
→ Bestandteile von Zeitreihen
→ Analyse von Kaggle-Zeitreihendaten
→ Zeichnen Sie das Zeitreihendiagramm
Was ist eine Zeitreihe?
Die Zeitreihe ist eine Folge oder Reihe von Datenpunkten, an denen die Zeitkomponente während des gesamten Ereignisses beteiligt ist.
Beispiel für Zeitreihendaten
Gesundheitsindustrie – Blutdrucküberwachung, Herzfrequenzüberwachung.
Umfeld – Globale Temperatur- und Luftverschmutzungswerte.
Die Gesellschaft – Geburtenraten über einen bestimmten Zeitraum, Population, etc.
https://www.google.com/url?
Was ist Zeitreihenanalyse?
Die Analyse dieser Zeitreihendaten mit bestimmten Tools und Techniken wird als Zeitreihenanalyse bezeichnet..
Tägliche Restaurantbesucher werden von dieser Zeitdatenreihe vorhergesagt. Damit die Restaurantleitung das Personal entsprechend der Besucherzahl benennen und unterbringen kann.
Vorhersage
Forecasting ist der Prozess, Vorhersagen aus historischen Daten zu treffen, damit Sie die Zukunft aus vergangenen und aktuellen Daten vorhersagen können.
Prognosetypen:
1) Quantitative Prognose
2) Qualitative Prognose
Mal sehen was es ist
1) Quantitative Prognose
Die quantitative Prognose basiert auf historischen Daten (ich, e) Vergangene und aktuelle Daten, hauptsächlich numerische Daten. Durch diese historischen Daten, wir verwenden statistische Methoden und, Daher, wir können mit weniger Voreingenommenheit vorhersagen.
2) Qualitative Prognose
Die qualitative Prognose basiert auf der Meinung und dem Urteil von Fachexperten und Kunden. Warum verlassen wir uns auf Urteile statt auf Daten?? Denn in manchen Fällen, obige Daten sind nicht verfügbar oder unklar. hier sind wir also auf urteil und meinungen angewiesen.
Vielleicht haben Sie Zweifel an Regression und Zeitreihen. Beide haben einige Gemeinsamkeiten und Unterschiede.
Regression versus Zeitreihen
Regressionsanalyse und Zeitreihenanalyse werden an kontinuierlichen Variablen durchgeführt.
Rückschritt
→ Es ist die Beziehung zwischen abhängigen und unabhängigen Variablen.
→ Die VariableIn Statistik und Mathematik, ein "Variable" ist ein Symbol, das einen Wert darstellt, der sich ändern oder variieren kann. Es gibt verschiedene Arten von Variablen, und qualitativ, die nicht-numerische Eigenschaften beschreiben, und quantitative, numerische Größen darstellen. Variablen sind grundlegend in Experimenten und Studien, da sie die Analyse von Beziehungen und Mustern zwischen verschiedenen Elementen ermöglichen, das Verständnis komplexer Phänomene zu erleichtern.... Ziel ist kontinuierlich.
→ Dies beinhaltet das Auffinden von Mustern in den Daten und die Vorhersage des Ziels mit diesem Muster.
Zeitfolgen
→ Es ist die Reihe von Datenpunkten, die mit der Zeit verbunden sind.
→ Die Zielvariable ist stetig.
→ Dabei geht es darum, Trends in den Daten zu finden und mit diesem Trend die Zukunft vorherzusagen.
Zeitfolgen: https://i1.wp.com/statisticsbyjim.com/wp-content/uploads/2020/07/TimeSeriesTrade.png?fit=576,384&ssl=1
Zeitreihenkomponenten
Das Zeitreihendiagramm hilft dabei, den Trend und das Verhalten der Daten im Zeitverlauf hervorzuheben, um ein zuverlässigeres Modell zu erstellen. Um diese Muster zu verstehen, wir müssen diese Daten strukturieren und in mehrere Faktoren zerlegen. Wir verwenden mehrere Komponenten, um diese Daten aufzuschlüsseln. Sohn,
Strukturbrüche
Trend
Saisonalität
Zyklizität
Lärm
Niveau
1) Strukturbrüche
Es ist eine Komponente, die eine plötzliche Änderung der Zeitreihendaten anzeigt. Dieser Strukturbruch beeinträchtigt die Zuverlässigkeit der Ergebnisse.. Statistische Methoden sollten verwendet werden, um Strukturbrüche zu identifizieren.
2) Trend
Zeitreihendaten können etwas haben, das proportional zum Zeitraum ist. Dort tritt der Trend auf. Zusammenfassend, „Trend“ ist der Nachweis, ob sich die Zeitreihe über einen bestimmten Zeitraum nach oben oder unten bewegt hat. Die Zuverlässigkeit der Zeitreihenergebnisse basiert auf der korrekten Identifizierung von Zeittrends.
Dann, ein Beispiel wird gezeigt, das monatliche Einkommen eines Unternehmens. Dies zeigt einen steigenden Trend
3) Saisonalität
Saisonalität ist auch eine Komponente, bei der die Zeitreihendaten über ein Zeitintervall ein regelmäßiges Muster aufweisen.. Wiederholungen nach dem festen Zeitintervall.
(Ein Beispiel für eine Zeitreihe mit Saisonalität ist der Umsatz, die sich oft mit jedem erhöhen 20 Tage)
4) Zyklizität
Zyklizität ist die Komponente, in der sich die Zeitreihendaten nach einem Zeitintervall wiederholen. Das Intervall wird hier nicht eingestellt.
Beispiel:
Der Strombedarf pro Woche wird in einem Zeitreihendiagramm dargestellt. Die Nachfrage nach 2 Wochen wiederholt sich zyklisch. Dies steht für Zyklizität.
https://robjhyndman.com/hyndsight/2011-12-14-cyclicts_files/figure-html/unnamed-chunk-3-1.png
5) Lärm
Rauschen ist die zufällige Fluktuation in den Zeitreihendaten. Wir können nicht davon ausgehen, dass sie die Zukunft vorhersagen.
6) Niveau
Die durchschnittliche Zeitreihe wird als Level bezeichnet.
Kaggle-Zeitreihendatenanalyse:
In dieser Analyse, Ich habe benutzt KaggleDatensatz. Kaggle ist eine Plattform, auf der wir Datensätze finden können, Notebooks und andere datenwissenschaftliche Dinge. Wettbewerbe werden auch zum Üben organisiert.
In dieser Analyse verwendeter Datensatz: Zeitreihen-Startdatensatz
Lesen Sie den Datensatz
Pandas als pd importieren
data = pd.read_csv('/content/sample_data/Month_Value_1.csv')
daten.kopf()
Datensatzbereinigung:
Dieser Datensatz enthält 5 Spalten und 96 Reihen.
Die Spalten sind
[0] – Zeitverlauf
[1] – Einkommen
[2] – Verkaufsmenge
[3] – Durchschnittskosten
[4] – Der_durchschnittliche_annual_payer_of_the_region
Beschreibung jeder Spalte, um zu entscheiden, was wichtig ist
Zeitverlauf: enthält die Modellperiode. Das monatliche weise Datum von 2015 ein 2020 hier angegeben.
Einkommen: der Umsatz des Unternehmens für jeden Monat von 2015 bis um 2020.
Verkaufsmenge: Unternehmensverkaufsbetrag
Durchschnittskosten: durchschnittliche Produktionskosten
Die_durchschnittliche_annual_payroll_of_the_region: die durchschnittliche Anzahl der Mitarbeiter in der Region pro Jahr.
Verfolgen Sie die LiniendiagrammDas Liniendiagramm ist ein visuelles Werkzeug, das zur Darstellung von Daten im Zeitverlauf verwendet wird. Es besteht aus einer Reihe von Punkten, die durch Linien verbunden sind, die es Ihnen ermöglicht, Trends zu beobachten, Schwankungen und Muster in den Daten. Diese Art von Diagramm ist besonders nützlich in Bereichen wie der Wirtschaft, Meteorologie und wissenschaftliche Forschung, Dies erleichtert den Vergleich verschiedener Datensätze und die Identifizierung von Verhaltensweisen auf breiter Front.. zu 5 Säulen
data.plot.line(x=keine,y=keine)
Enthält alle Daten von 5 Säulen. Es gibt also keine genaue Ansicht. Dann
Lass uns den Datensatz bereinigen.
Wir können die Zeitreihen der Einnahmen von . analysieren 2015 ein 2020 und entferne jetzt alle anderen Spalten.
data = data.drop('Sales_quantity', 1)
data = data.drop('Average_cost', 1)
data = data.drop('The_average_annual_payroll_of_the_region', 1)
Die Syntax zum Entfernen der Spalte lautet
dataframe.drop('Column_name',1)
wo 1 ist die Achsnummer (0 für Reihen und 1 für Spalten)
Jetzt haben wir nur noch Perioden- und Einkommensspalten zur Analyse.
Lass uns die Grafik zeichnen
data.plot.line(x=Keine,y=Keine)
Dieses Zeitreihendiagramm zeigt den steigenden Trend. Dann, das Einkommen des Unternehmens steigt von 2015 ein 2020.
Sie können einen Blick auf dieses Zeitreihen-Notizbuch werfen, um den Code zu sehen:
Notizbuch für Zeitreihen-Startdatensätze
Abschließende Anmerkungen
Wir haben uns einige Konzepte der Zeitreihenanalyse angeschaut und Kaggles Ausgangsdatensatz für Zeitreihen analysiert.
Danke fürs Lesen!
Ich hoffe, Ihnen hat der Artikel gefallen und Sie haben Ihr Wissen über Zeitreihenanalysen erweitert. Zögern Sie nicht, mich zu kontaktieren ein [E-Mail geschützt] Linkedin
Du möchtest deine Gedanken teilen? Fühlen Sie sich frei, unten zu kommentieren
Über den Autor
Mohamed Illiyas
Heutzutage, Ich studiere meinen Bachelor of Engineering (SEIN) in Informatik von der Staatliche Ingenieurschule, Srirangam, Tamil Nadu. Ich bin sehr gespannt auf die Statistik, Maschinelles Lernen und Datenwissenschaft.
Verbinden Sie sich mit mir auf Linkedin Mohamed Illiyas
Die in diesem Artikel gezeigten Medien zur Implementierung der Streamlit-App auf Heroku sind nicht Eigentum von DataPeaker und werden nach Ermessen des Autors verwendet.
