LuckyTemplates model predpovedí pomocou Pythonu

Predpovedanie je dôležitým aspektom analýzy údajov, pretože umožňuje podnikom prijímať informované rozhodnutia o budúcnosti na základe historických údajov. Jedným z efektívnych spôsobov, ako vykonať túto úlohu, je použitie predpovedného modelu LuckyTemplates pomocou Pythonu. LuckyTemplates je populárny nástroj business intelligence, ktorý umožňuje používateľom vytvárať interaktívne vizualizácie údajov, zostavy a panely. 

V tomto návode sa naučíme, ako vytvoriť pomocou Pythonu. Python použijeme v Power Query na vytváranie prognózovaných hodnôt a ich prenesenie do vizualizácií LuckyTemplates. Celé video tohto návodu si môžete pozrieť v spodnej časti tohto blogu .

Obsah

• LuckyTemplates Ukážky modelu predpovedí
• LuckyTemplates Forecasting Model: Kontroly a obmedzenia 
• Analýza trendov pre modely predpovedí Python a LuckyTemplates
• Použitie kódu Python na predpovedanie
  • Školenie modelu
  • Aditívne a multiplikatívne trendy
• Implementácia LuckyTemplates 
• Kontrola skriptu Python 
• Záver

LuckyTemplates Ukážky modelu predpovedí

Nižšie sú uvedené niektoré predpovedné modely LuckyTemplates, ktoré vám ukážu, čo chceme v tomto návode dosiahnuť. Toto sú skutočné zobrazenia stránok, ktoré odhaľujú týždennú sezónnosť a niektoré sezónne vrcholy v údajoch. 

Ku koncu môžeme vidieť rastúci trend v našich dátach, ktoré chceme zachytiť v našom modeli.

LuckyTemplates Forecasting Model: Kontroly a obmedzenia 

Nižšie je uvedený model pre 30-dňovú predpoveď vytvorenú pomocou LuckyTemplates. Má rovnakú sezónnosť ako skutočné zobrazenia stránky a v LuckyTemplates máme tiež možnosti kontroly niektorých údajov.

Môžeme to urobiť otvorením nástroja Analytics na table Vizualizácie . Potom prejdite kurzorom nadol na Prognóza > Možnosti . 

Do dĺžky prognózy vložte 30 dní a interval spoľahlivosti nastavte na 95 %. Systém dokáže predpovedať sezónnosť s predvoleným nastavením, ale môžeme pridať aj 7 , ktorá predstavuje týždennú sezónnosť. 

Kliknite na tlačidlo Použiť a mali by sme získať model podobný vyššie uvedenému.

Analýza trendov pre modely predpovedí Python a LuckyTemplates

LuckyTemplates robí skvelú prácu pri modelovaní sezónnosti. Jeho trendová čiara však nefunguje rovnako.

Ak chcete spustiť , zapnite riadok Trend na table Vizualizácie .

Po tom môžeme vidieť stúpajúci trend. Tento trend by sme mali byť schopní pridať do našich údajov, ktoré potom ovplyvnia prognózu. 

S naším modelom to dokážeme. Ako vidíme na modeli nižšie, trend namiesto toho, aby zostal plochý, nabral sezónnosť.

Použitie kódu Python na predpovedanie

Použitie na dosiahnutie nášho cieľa nie je náročná úloha. Ak chcete začať, otvorte svoj notebook Jupyter . 

Uveďte údaje, ktoré potrebujeme: pandy, matplotlib.pyplot, seaborn a ExponencialSmoothing . 

Existujú aj iné modely, ktoré budú pravdepodobne presnejšie, ale budú vyžadovať väčšiu optimalizáciu. 

Prinesieme aj seasonal_decompose , aby sme videli sezónnosť a trend. Potom použite webovú predpoveď web_forecast.xlsx na prečítanie našich údajov. 

Potom zmeňte dátum pomocou kódu nižšie. 

Nastavte index nášho súboru údajov na Dátum a nazvite ho ts. Potom nastavte frekvenciu súboru údajov. Vieme, že máme denné dáta, tak nastavme frekvenciu ako d ako v deň a uložíme ako ts . 

Nakoniec vytvorte graf pomocou ts.plot ( ).

Po vykreslení by sme mali vidieť presne to, čo sme videli v našom zápisníku LuckyTemplates.  

Aby sme získali lepšiu predstavu o komponentoch v našom aktuálnom trende, môžeme použiť nasledujúci kód.

Prvým modelom sú naše Actuals . Vedľa je trendová čiara, ktorú zachytíme pomocou seasonal_decompose(ts).plot(); .

Toto je trend, ktorý musíme pridať do modelu. 

Máme tiež sezónnosť , ktorú môžeme pridať k LuckyTemplates aj k modelu Exponenciálne vyhladzovanie. 

Náš posledný model zobrazuje zvyšky alebo tie, ktoré sú neočakávané v údajoch, ktoré sú reprezentované bodmi. Všimnite si, že keď sa blížime ku koncu našich údajov, môžeme vidieť, že sa deje oveľa viac udalostí. 

Školenie modelu

S naším modelom potrebujeme trénovať naše dáta, po ktorých zvyčajne nasleduje testovanie. V tomto prípade však nebudeme testovať náš model, pretože použijeme len to, čo nám model dáva. 

V našom súbore údajov je 298 dní, ale v tomto príklade potrebujeme, aby si model zapamätal iba 290 z týchto dní. Je to preto, že nechceme dať modelu všetky dáta, ktoré sa nedokáže naučiť a nakoniec ich len skopíruje. 

V podstate máme tento tréningový súbor 290 dní z 298. 

Ďalej použite pre náš model funkciu ExponencialSmoothing . Potom zadajte tréningový súbor údajov, ktorý má 290 dní, a použite add (aditívum) pre náš trend, mul (multiplikatívne) pre našu sezónu a 7 pre sezónne obdobia. Potom vložte tieto údaje do modelu.

Aditívne a multiplikatívne trendy

Poďme si urobiť rýchly prehľad o tom, aké sú aditívne a multiplikatívne trendy.

V aditívnom modeli sa trend pomaly pridáva, zatiaľ čo v multiplikatívnom modeli sa exponenciálne zvyšuje a tiež sa toho deje pomerne veľa. Na získanie iného typu predpovede môžeme použiť ktorýkoľvek z nich. 

Môžeme sa pohrať s aditívnymi a multiplikatívnymi metódami, aby sme upravili našu predpoveď. Naše súčasné údaje jasne rastú, takže je nevyhnutné použiť aditívum, ale môžeme tiež skúsiť použiť multiplikatív, aby sme videli, čo získame. 

Napríklad zmeňte sezónnosť z mul na add . 

Spustite údaje a sledujte, ako sa mení predpoveď.

Podobne môžeme zmeniť trend z add na mul . 

To by malo priniesť multiplikačný trend, ktorý bude o niečo väčší. 

Po vyskúšaní možných kombinácií sa zistilo, že použitie mul pre trend aj sezónne prináša NAJLEPŠÍ výsledok. 

Keď máme tento predpovedný model, môžeme ho použiť na predpovedanie na 30 dní vopred. 

Implementácia LuckyTemplates 

Vytvorme rovnaký predpovedný model LuckyTemplates v našom notebooku LuckyTemplates.

V našej predpovedi LuckyTemplates prejdite do časti Vizualizácie > Analytics > Možnosti. Všimnite si, ako sme nastavili dĺžku prognózy na 30 dní. 

Pozrime sa, ako môžeme tento kód veľmi jednoducho implementovať v Power Query. 

Kliknite na položku Transformovať údaje. 

V editore Power Query preneste údaje a stĺpec Pridať vlastné pre kategóriu . Použite aktuálne informácie , aby sme mohli neskôr rozdeliť aktuálne informácie od prognóz. 

Ak prejdeme na Dopyt na prognózy , uvidíme menšiu množinu údajov ekvivalentnú 30 dňom do budúcnosti.

Kontrola skriptu Python 

Náš skript Python obsahuje podobné informácie. Najprv prinesieme súbor údajov, uložíme ho ako df , zmeníme dátum na dátum a čas a nastavíme frekvenciu na d (deň). 

Prinášame aj náš model ExponencialSmoothing od holtwinterov . Prvých 290 dní berieme ako tréningový súbor a potom tieto údaje pridáme do modelu. 

V našom modeli ExponencialSmoothing pridávame tréningové dáta a nastavujeme trendy aj sezónne na mul (multiplikatívne) a sezónne obdobia na 7 dní. Potom prispôsobíme náš model.

Ďalej získame nový dátový rámec alebo tabuľku s našou predpoveďou. Obnovíme index a uistíme sa, že majú názov Dátum a Zobrazenia stránky , aby sa zhodovali s tým, čo máme v pôvodných údajoch. Nakoniec klikneme na OK. 

Vo výstupe sú nám uvedené všetky tieto premenné v rámci údajov. 

Prejdite na položku Aplikované kroky a kliknite na položku Pridaný stĺpec . Tým sa otvorí tabuľka s našimi predpokladanými hodnotami a vlastným stĺpcom, ktorý má kategóriu  Predpoveď .

V ďalšom dotaze jednoducho pripojíme dve množiny údajov, kde máme aktuálne hodnoty a prognózy . 

Kliknite na položku Zavrieť a použiť. 

Model sa mierne zmenil, keď sme použili multiplikatívnu metódu. 

V porovnaní s LuckyTemplates môžeme jednoducho urobiť predpoveď a optimalizovať model o niečo viac zmenou aditívneho charakteru trendu a sezónnosti v . Tieto predpovede môžeme tiež pridať do nášho skutočného súboru údajov. 

Záver

V tomto blogu sme prešli procesom vytvárania modelu prognózy v LuckyTemplates pomocou . Integráciou do LuckyTemplates máme prístup k širokej škále nástrojov na analýzu a modelovanie údajov, čo nám umožňuje vytvárať pokročilejšie predpovede. 

So zručnosťami, ktoré ste sa naučili v tomto návode, si teraz môžete vytvoriť svoje vlastné predpovedné modely v LuckyTemplates a použiť ich na plánovanie budúcnosti s istotou. Pamätajte, že prognózovanie je iteratívny proces, takže neváhajte experimentovať s rôznymi algoritmami a technikami, aby ste našli ten, ktorý najlepšie vyhovuje vašim údajom, a priebežne kontrolujte a aktualizujte svoj model, keď prichádzajú nové údaje.

Všetko najlepšie,

Gaelim Holandsko