facebook prophet

facebook prophet

선행설치사항으로 pysten 설치 필요
설치하는 과정에서 수십번의 오류를 겪음.
오류의 종류도 너무 다양했으나 삭제후 재설치 반복하다보니 설치됨.. (나중확인)
conda로 설치하는 것을 추천

pip install pystan
pip install fbprophet
conda install -c conda-forge fbprophet

파라미터

1) growth
default = linear
임계치를 사용하고 싶을때는 logistic

2) checkpoint_range
default = 0.8
데이터의 80%를 시계열로 지정함. 더 늘려서 check_point 지점을 늘리거나 줄일수 있음
2) changepoint_prior_scale
default = 0.05
check_point의 유연성을 조정
값을 높이면 그래프 유연성 상승(underfitting해결)
값을 줄이면 그래프 유연성 감소(overfittinf해결)
3) holiday
holiday정보를 넣어줄수 있음
holiday는 'ds', 'holiday', 'upper_window', 'lower_window'를 포함해야함
'window"는 휴일이 영향을 미치는 기간을 의미하며
'upper'이전 날짜, 'lower'는 이후 날짜를 말함
'upper_window' = 1, 'lower_window' = 1은 holiday를 기준으로 앞뒤로 하루씩 영향을 주는 것을 말함
1

에러사항

holiyday import 오류

holidays를 0.9.12로 다운그래이드

pip install holidays==0.9.12

솔루션

plotly 미설치시 Interactive plots 미작동

plotly 설치

pip install plotly

Microsoft Visual C++ 14.0 에러

visual studio에서 C++ 설치

DS school
시계열 예측을 위한 Facebook Prophet
prophet공식페이지
모든이들을 위한 Facebook Prophet Paper 쉬운 요약정리
Implementing Facebook Prophet efficiently

Augmented Dickey-Fuller test

시계열 데이터의 stationary 검증

stationary 검증방법
Dickey-Fuller 단위근 검정

ARIMA

AR(Auto Regressive)와 MA(Moving Average)를 결합한 모델
ARMA와 ARIMA의 차이점은 ARIMA의 경우 시계열의 비정상성(Non-stationary)을 설명하기 위해 관측치간의 차분(Diffrance)을 사용

현실에 존재하는 시계열자료는 불안정(Non-stationary)한 경우가 많다.
그런데 AR(p), MA(q) 모형이나, 이 둘을 합한 ARMA(p, q)모형으로는 이러한 불안정성을 설명할 수가 없다.
따라서 모형 그 자체에 이러한 비정상성을 제거하는 과정을 포함한것이 ARIMA모형이며 ARIMA(p, d, q)로 표현한다.

p,d,q 추정 방법
ACF plot와 PACF plot 사용
ARIMA, python으로 하는 시계열분석