Модель прогнозування LuckyTemplates з використанням Python

Прогнозування є важливим аспектом аналізу даних, оскільки воно дозволяє підприємствам приймати обґрунтовані рішення щодо майбутнього на основі історичних даних. Одним із ефективних способів виконання цього завдання є використання моделі прогнозування LuckyTemplates за допомогою Python. LuckyTemplates — це популярний інструмент бізнес-аналітики, який дозволяє користувачам створювати інтерактивні візуалізації даних, звіти та інформаційні панелі. 

У цьому підручнику ми навчимося створювати за допомогою Python. Ми використовуватимемо Python у Power Query для створення прогнозованих значень і перенесення їх у візуалізації LuckyTemplates. Ви можете переглянути повне відео цього підручника внизу цього блогу .

Зміст

• Зразки моделі прогнозування LuckyTemplates
• Модель прогнозування LuckyTemplates: елементи керування та обмеження 
• Аналіз тенденцій для моделей прогнозування Python і LuckyTemplates
• Використання коду Python для прогнозування
  • Навчання моделі
  • Адитивні та мультиплікативні тренди
• Реалізація LuckyTemplates 
• Перегляд сценарію Python 
• Висновок

Зразки моделі прогнозування LuckyTemplates

Нижче наведено деякі моделі прогнозування LuckyTemplates, щоб показати вам, чого ми хочемо досягти в цьому посібнику. Це фактичні перегляди сторінок, які виявляють тижневу сезонність і деякі сезонні піки даних. 

Наприкінці ми бачимо тенденцію до збільшення наших даних, яку ми хочемо врахувати в нашій моделі.

Модель прогнозування LuckyTemplates: елементи керування та обмеження 

Нижче наведено модель для 30-денного прогнозу, створеного за допомогою LuckyTemplates. Він має таку саму сезонність, як і фактичні перегляди сторінок, і в LuckyTemplates у нас також є параметри керування деякими даними.

Ми можемо зробити це, відкривши Analytics на панелі візуалізацій . Потім наведіть курсор на Прогноз > Параметри . 

Встановіть 30 днів у тривалість прогнозу та встановіть довірчий інтервал на 95%. Система може передбачити сезонність за допомогою стандартних налаштувань, але ми також можемо додати 7 для представлення тижневої сезонності. 

Натисніть «Застосувати» , і ми повинні отримати модель, схожу на наведену вище.

Аналіз тенденцій для моделей прогнозування Python і LuckyTemplates

LuckyTemplates чудово справляється з моделюванням сезонності. Однак його лінія тренду не працює так само.

Щоб запустити , увімкніть лінію тренду на панелі візуалізацій .

Після цього ми бачимо висхідну тенденцію. Ми повинні мати можливість додати цю тенденцію до наших даних, яка потім вплине на прогноз. 

Ми можемо зробити це за допомогою нашої моделі. Як ми бачимо на наведеній нижче моделі, тренд підхопив сезонність, а не залишився незмінним.

Використання коду Python для прогнозування

Використання для досягнення нашої мети не є складним завданням. Для початку відкрийте свій блокнот Jupyter . 

Введіть дані, які нам потрібні: pandas, matplotlib.pyplot, seaborn і ExponentialSmoothing . 

Існують інші моделі, які, ймовірно, будуть більш точними, але вони вимагатимуть більшої оптимізації. 

Ми також запровадимо seasonal_decompose , щоб побачити сезонність і тенденцію. Потім скористайтеся веб-прогнозом web_forecast.xlsx , щоб прочитати наші дані. 

Потім змініть дату за допомогою коду нижче. 

Встановіть індекс нашого набору даних на Date і назвіть його ts. Потім встановіть частоту набору даних. Ми знаємо, що у нас є щоденні дані, тож давайте встановимо частоту d як in day і збережемо як ts . 

Нарешті, побудуйте графік за допомогою ts.plot ().

Після створення графіка ми повинні побачити саме те, що ми бачили в нашому блокноті LuckyTemplates.  

Щоб отримати краще уявлення про компоненти нашої фактичної тенденції, ми можемо використати наступний код.

Перша модель — це наші фактичні дані . Поруч з нею знаходиться лінія тренду, яку ми вибираємо за допомогою seasonal_decompose(ts).plot(); .

Це тренд, який ми повинні додати до моделі. 

Ми також маємо сезонність , яку ми можемо додати як до LuckyTemplates, так і до моделі експоненціального згладжування. 

Наша остання модель показує залишки або ті, які є неочікуваними в даних, які представлені точками. Зауважте, що коли ми наближаємося до кінця наших даних, ми бачимо, що відбувається набагато більше подій. 

Навчання моделі

За допомогою нашої моделі нам потрібно навчити наші дані, після чого зазвичай слідує тестування. Однак у цьому випадку ми не будемо тестувати нашу модель, тому що ми просто використаємо те, що модель дає нам. 

У нашому наборі даних 298 днів, але в цьому прикладі нам потрібно , щоб модель запам’ятала лише 290 із цих днів. Це тому, що ми не хочемо надавати моделі всі дані, які вона не може вивчити і зрештою просто скопіює. 

По суті, у нас є цей навчальний набір із 290 днів із 298. 

Далі використовуйте ExponentialSmoothing для нашої моделі. Потім передайте навчальний набір даних, який становить 290 днів, і використовуйте add (додаток) для нашого тренду, mul (мультиплікатив) для нашого сезону та 7 для сезонних періодів. Потім вставте ці дані в модель.

Адитивні та мультиплікативні тренди

Давайте коротко розглянемо, що таке адитивні та мультиплікативні тренди.

У адитивній моделі тенденція повільно збільшується, тоді як у мультиплікативній моделі вона експоненціально зростає, і також відбувається досить багато. Ми можемо використовувати будь-яке з двох, щоб отримати інший тип прогнозу. 

Ми можемо пограти з адитивними та мультиплікативними методами, щоб змінити наш прогноз. Наші поточні дані явно зростають, тому вкрай важливо використовувати адитивні, але ми також можемо спробувати використовувати мультиплікативні, щоб побачити, що ми отримаємо. 

Наприклад, змініть сезонність з mul на add . 

Запустіть дані та спостерігайте, як змінюється прогноз.

Так само ми можемо змінити тенденцію з add на mul . 

Це має дати мультиплікативну тенденцію, яка є трохи більшою. 

Після спроби можливих комбінацій виявилося , що використання mul як для тенденції, так і для сезону дало НАЙКРАЩИЙ результат. 

Отримавши цю модель прогнозу, ми зможемо використовувати її для прогнозування на 30 днів наперед. 

Реалізація LuckyTemplates 

Давайте створимо ту саму модель прогнозування LuckyTemplates у нашому блокноті LuckyTemplates.

У нашому прогнозі LuckyTemplates перейдіть до Візуалізації > Аналітика > Параметри. Зверніть увагу, як ми встановили тривалість прогнозу на 30 днів. 

Давайте подивимося, як ми можемо дуже легко реалізувати цей код у Power Query. 

Натисніть Перетворити дані. 

У редакторі Power Query введіть дані та додайте спеціальний стовпець для категорії . Використовуйте фактичні дані , щоб пізніше ми могли відокремити фактичні дані від прогнозів. 

Якщо ми перейдемо до запиту прогнозів , ми побачимо менший набір даних, еквівалентний 30 дням у майбутньому.

Перегляд сценарію Python 

Наш сценарій Python містить подібну інформацію. Спочатку ми заносимо набір даних, зберігаємо його як df , змінюємо Date на datetime і встановлюємо частоту d (день). 

Ми також пропонуємо нашу модель Exponential Smoothing від holtwinters . Ми беремо перші 290 днів як набір для навчання, а потім додаємо ці дані до моделі. 

У нашій моделі ExponentialSmoothing ми додаємо навчальні дані та встановлюємо як тренди, так і сезонні на mul (мультиплікативні), а сезонні періоди на 7 днів. Потім підганяємо нашу модель.

Далі ми отримуємо новий фрейм даних або таблицю з нашим прогнозом. Ми скидаємо індекс і переконуємось, що вони мають назву « Дата» та «Перегляди сторінки» відповідно до вихідних даних. Нарешті ми натискаємо OK. 

На виході ми отримуємо всі ці змінні в межах даних. 

Перейдіть до Applied Steps і клацніть Added Column . Це відкриє таблицю з нашими прогнозованими значеннями та спеціальний стовпець, у якому є Прогноз як категорія. 

У наступному запиті ми просто додаємо два набори даних, де ми маємо фактичні дані та прогнози . 

Натисніть Закрити та застосувати. 

Модель дещо змінилася, коли ми застосували мультиплікативний метод. 

Порівняно з LuckyTemplates, ми можемо легко зробити прогноз і трохи більше оптимізувати модель, змінивши адитивний характер тенденції та сезонність у . Ми також можемо додати ці прогнози до нашого фактичного набору даних. 

Висновок

У цьому блозі ми розглянули процес створення моделі прогнозу в LuckyTemplates за допомогою . Завдяки інтеграції в LuckyTemplates ми отримуємо доступ до широкого спектру інструментів аналізу даних і моделювання, що дозволяє нам створювати розширеніші прогнози. 

Завдяки навичкам, які ви отримали в цьому підручнику, тепер ви можете створювати власні моделі прогнозів у LuckyTemplates і використовувати їх для впевненого планування майбутнього. Пам’ятайте, що прогнозування – це повторюваний процес, тому не соромтеся експериментувати з різними алгоритмами та техніками, щоб знайти той, який найкраще підходить для ваших даних, і постійно перевіряйте та оновлюйте свою модель, коли надходять нові дані.

Все найкраще,

Гелім Голланд