LuckyTemplates-ennustemalli Pythonilla

Ennustaminen on tärkeä osa data-analyysiä, koska sen avulla yritykset voivat tehdä tietoon perustuvia päätöksiä tulevaisuudesta historiatietojen perusteella. Yksi tehokas tapa suorittaa tämä tehtävä on käyttää LuckyTemplates-ennustemallia Pythonilla. LuckyTemplates on suosittu business intelligence -työkalu, jonka avulla käyttäjät voivat luoda interaktiivisia datavisualisointeja, raportteja ja kojelaudoita. 

Tässä opetusohjelmassa opimme luomaan Pythonin avulla. Käytämme Pythonia Power Queryssä ennustearvojen luomiseen ja tuomiseen LuckyTemplatesin visualisointeihin. Voit katsoa tämän opetusohjelman koko videon tämän blogin alaosasta .

Sisällysluettelo

• LuckyTemplates ennustavat mallinäytteet
• LuckyTemplates-ennustemalli: Säätimet ja rajoitukset 
• Python- ja LuckyTemplates-ennustemallien trendianalyysi
• Python-koodin käyttäminen ennustamiseen
  • Mallin koulutus
  • Additiiviset ja moninkertaiset trendit
• LuckyTemplates-toteutus 
• Python-skriptin tarkistaminen 
• Johtopäätös

LuckyTemplates ennustavat mallinäytteet

Alla on joitain LuckyTemplates-ennustemalleja, jotka osoittavat, mitä haluamme saavuttaa tällä opetusohjelmalla. Nämä ovat todellisia sivun katselukertoja, jotka paljastavat viikoittaisen kausivaihtelun ja joitain kausittaisia ​​huippuja tiedoissa. 

Loppua kohden voimme nähdä tiedoissamme kasvavan trendin, jonka haluamme ottaa mallissamme.

LuckyTemplates-ennustemalli: Säätimet ja rajoitukset 

Alla on malli 30 päivän ennusteelle, joka on luotu LuckyTemplatesilla. Sillä on sama kausiluonteisuus kuin todellisilla sivun katseluilla, ja LuckyTemplatesissa meillä on myös vaihtoehtoja hallita osaa tiedoista.

Voimme tehdä sen avaamalla Analyticsin Visualisoinnit- ruudussa . Vie hiiri alas kohtaan Ennuste > Asetukset . 

Aseta ennusteen pituuteen 30 päivää ja aseta luottamusväliksi 95 %. Järjestelmä voi ennustaa kausivaihtelun oletusasetuksellaan, mutta voimme myös lisätä 7 kuvaamaan viikoittaista kausivaihtelua. 

Napsauta Käytä ja meidän pitäisi saada yllä olevan mallin kaltainen malli.

Python- ja LuckyTemplates-ennustemallien trendianalyysi

LuckyTemplates tekee hienoa työtä kausiluonteisuuden mallintamisessa. Sen trendiviiva ei kuitenkaan toimi samalla tavalla.

Aloita ottamalla Trend-rivi käyttöön Visualisoinnit- ruudussa .

Kerran voimme nähdä nousevan trendin. Meidän pitäisi pystyä lisäämään tämä trendi tietoihimme, mikä sitten vaikuttaa ennusteeseen. 

Voimme tehdä sen mallillamme. Kuten alla olevasta mallista näemme, trendi piristyi kausiluonteisuutta sen sijaan, että pysyisi tasaisena.

Python-koodin käyttäminen ennustamiseen

Käyttäminen tavoitteemme saavuttamiseksi ei ole vaikea tehtävä. Aloita avaamalla Jupyter-muistikirja . 

Tuo tarvitsemamme tiedot: pandat, matplotlib.pyplot, seaborn ja ExponentialSmoothing . 

On muitakin malleja, jotka ovat todennäköisesti tarkempia, mutta ne vaativat enemmän optimointia. 

Tuomme myös seasonal_decompose-sovelluksen nähdäksemme kausivaihtelun ja trendin. Käytä sitten verkkoennustetta web_forecast.xlsx lukeaksesi tietomme. 

Vaihda sitten päivämäärä alla olevalla koodilla. 

Aseta tietojoukkomme indeksiksi Päivämäärä ja kutsu sitä ts:ksi. Aseta sitten tietojoukon taajuus. Tiedämme, että meillä on päivittäisiä tietoja, joten asetetaan tiheydeksi d kuten päivä ja tallennetaan se nimellä ts . 

Lopuksi piirrä kuvaaja käyttämällä ts.plot ( ).

Piirtämisen jälkeen meidän pitäisi nähdä tarkalleen, mitä näimme LuckyTemplates-muistikirjassamme.  

Saadaksemme paremman käsityksen todellisen trendin komponenteista voimme käyttää seuraavaa koodia.

Ensimmäinen malli on meidän Actuals . Sen vieressä on trendiviiva, jonka poimimme komennolla seasonal_decompose(ts).plot(); .

Tämä on trendi, joka meidän on lisättävä malliin. 

Meillä on myös kausiluonteisuus , jonka voimme lisätä sekä LuckyTemplates- että Exponential Smoothing -malliin. 

Viimeinen mallimme näyttää jäännökset tai ne, jotka ovat odottamattomia tiedoissa, jotka esitetään pisteillä. Huomaa, että kun siirrymme kohti datamme loppua, voimme nähdä, että tapahtumia tapahtuu paljon enemmän. 

Mallin koulutus

Mallissamme meidän on koulutettava tietomme, jota yleensä seuraa testaus. Tässä tapauksessa emme kuitenkaan testaa malliamme, koska käytämme vain sitä, mitä malli antaa meille. 

Tietojoukossamme on 298 päivää, mutta tässä esimerkissä tarvitsemme mallin vain muistamaan 290 päivää. Tämä johtuu siitä, että emme halua antaa mallille kaikkea dataa, jota se ei voi oppia ja lopulta vain kopioida. 

Periaatteessa meillä on tämä koulutussarja, jossa on 290 päivää 298:sta. 

Käytä seuraavaksi mallissamme ExponentialSmoothingia . Syötä sitten harjoitustietojoukko, joka on 290 päivää, ja käytä summaa (lisäys) trendillemme, mul (kerroin) kaudellamme ja 7 kausijaksoille. Sovita sitten tiedot malliin.

Additiiviset ja moninkertaiset trendit

Katsotaanpa lyhyesti, mitkä ovat additiiviset ja kertovat trendit.

Additiivisessa mallissa trendi kasvaa hitaasti, kun taas multiplikatiivisessa mallissa se kasvaa eksponentiaalisesti ja myös tapahtuu melko paljon. Voimme käyttää jompaa kumpaa näistä kahdesta erityyppisen ennusteen saamiseksi. 

Voimme leikkiä additiivisilla ja multiplikatiivisilla menetelmillä muuttaaksemme ennustettamme. Nykyiset tietomme kasvavat selvästi, joten additiivin käyttö on välttämätöntä, mutta voimme myös kokeilla kertojaa nähdäksemme, mitä saamme. 

Muuta esimerkiksi kausiluonteisuus mul: sta add . 

Suorita tiedot ja tarkkaile, kuinka ennuste muuttuu.

Samalla tavalla voimme muuttaa trendin add :sta mul . 

Tämän pitäisi tuottaa moninkertaistava trendi, joka on hieman suurempi. 

Mahdollisten yhdistelmien kokeilun jälkeen todettiin, että mullin käyttö sekä trendi- että kausivaihteluille tuotti PARHAAN tuloksen . 

Kun meillä on tämä ennustemalli, voimme sen avulla ennustaa 30 päivää etukäteen. 

LuckyTemplates-toteutus 

Luodaan sama LuckyTemplates-ennustemalli LuckyTemplates-muistikirjaamme.

Siirry LuckyTemplates- ennusteemme kohtaan Visualisoinnit > Analyysi > Asetukset. Huomaa, kuinka asetamme ennusteen pituudeksi 30 päivää. 

Katsotaanpa, kuinka voimme toteuttaa koodin erittäin helposti Power Queryssä. 

Napsauta Muunna tiedot. 

Tuo Power Query -editoriin luokan tiedot ja Lisää mukautettu -sarake . Käytä todellisia tietoja , jotta voimme myöhemmin jakaa todelliset tiedot ennusteista. 

Jos siirrymme Ennustekyselyyn , näemme pienemmän tietojoukon, joka vastaa 30 päivää tulevaisuudessa.

Python-skriptin tarkistaminen 

Python-skriptimme sisältää samanlaisia ​​tietoja. Ensin tuomme tietojoukon, tallennamme sen df -muodossa , muutamme päivämäärän päivämääräksi datetime ja asetamme tiheydeksi d (päivä). 

Tuomme myös holtwintersin ExponentialSmoothing - mallimme . Otamme ensimmäiset 290 päivää harjoitussarjaamme ja lisäämme sitten tiedot malliin. 

ExponentialSmoothing - mallissamme lisäämme harjoitustiedot ja asetamme sekä trendit että kausittaiset arvot mul ( kerroin) ja kausijaksot 7 päiväksi. Sitten sovimme malliimme.

Seuraavaksi saamme uuden tietokehyksen tai taulukon ennusteemme kanssa. Nollaamme hakemiston ja varmistamme, että niiden nimet ovat Päivämäärä ja Sivun katselut vastaamaan alkuperäisissä tiedoissamme olevia tietoja. Lopuksi napsautamme OK. 

Tulosteessa meille annetaan kaikki nämä muuttujat tiedoissa. 

Siirry Applied Steps -kohtaan ja napsauta Lisätty sarake . Tämä avaa taulukon, jossa on ennustetut arvomme ja mukautettu sarake, jonka kategoriana  on Ennuste .

Seuraavassa kyselyssä liitämme vain kaksi tietojoukkoa, joissa meillä on tosiasiat ja ennusteet . 

Napsauta Sulje ja käytä. 

Malli muuttui hieman, kun käytimme multiplikatiivista menetelmää. 

LuckyTemplatesiin verrattuna voimme helposti tehdä ennusteen ja optimoida mallia hieman enemmän muuttamalla trendin additiivinen luonne ja kausivaihtelu vuonna . Voimme myös lisätä nämä ennusteet todelliseen tietojoukkoomme. 

Johtopäätös

Tässä blogissa kävimme läpi ennustemallin luomisen LuckyTemplatesissa käyttämällä . Integroitumalla LuckyTemplatesiin, voimme käyttää laajaa valikoimaa data-analyysi- ja mallinnustyökaluja, joiden avulla voimme luoda edistyneempiä ennusteita. 

Tässä opetusohjelmassa oppimiesi taitojen avulla voit nyt luoda omia ennustemalleja LuckyTemplatesissa ja käyttää niitä tulevaisuuden suunnitteluun luottavaisin mielin. Muista, että ennustaminen on iteratiivinen prosessi, joten älä epäröi kokeilla erilaisia ​​algoritmeja ja tekniikoita löytääksesi tiedoillesi parhaiten sopivan ja tarkista ja päivitä malliasi jatkuvasti sitä mukaa, kun uutta tietoa tulee.

Kaikki parhaat,

Gaelim Holland