例子代码

https://github.com/lilihongjava/prophet_demo/tree/master/outliers

# encoding: utf-8
"""
@author: lee
@time: 2019/8/8 9:35
@file: main.py
@desc:
"""
from fbprophet import Prophet
import pandas as pddef main():df = pd.read_csv('./data/example_wp_log_R_outliers1.csv')m = Prophet()m.fit(df)future = m.make_future_dataframe(periods=1096)forecast = m.predict(future)fig = m.plot(forecast)fig.show()df.loc[(df['ds'] > '2010-01-01') & (df['ds'] < '2011-01-01'), 'y'] = Nonemodel = Prophet().fit(df)fig = model.plot(model.predict(future))fig.show()df = pd.read_csv('./data/example_wp_log_R_outliers2.csv')m = Prophet()m.fit(df)future = m.make_future_dataframe(periods=1096)forecast = m.predict(future)fig = m.plot(forecast)fig.show()df.loc[(df['ds'] > '2015-06-01') & (df['ds'] < '2015-06-30'), 'y'] = Nonem = Prophet().fit(df)fig = m.plot(m.predict(future))fig.show()if __name__ == "__main__":main()

异常值有两种主要方式可以影响prophet的预测。以下，我们对之前例子中记录维基百科中R语言页面访问数的数据进行预测，但是我们造了一段问题数据(2010-01到2010-05都是5，2010-06到2011-01都是8，2010-06-01为6.76272950693188)：

df = pd.read_csv('./data/example_wp_log_R_outliers1.csv')
m = Prophet()
m.fit(df)
future = m.make_future_dataframe(periods=1096)
forecast = m.predict(future)
fig = m.plot(forecast)

趋势预测看似合理，但不确定性区间似乎过于宽泛。Prophet能够处理历史数据中的异常值，但只能通过趋势变化来拟合它们。不确定性模型预计未来趋势变化的幅度与历史是相似的。

处理异常值的最佳方法是删除它们 - prophet对丢失数据是不影响的。如果将历史数据的值设置NA为但在future里保留对应的日期，则Prophet将能提供其值的预测。

df.loc[(df['ds'] > '2010-01-01') & (df['ds'] < '2011-01-01'), 'y'] = None
model = Prophet().fit(df)
fig = model.plot(model.predict(future))

在上面的例子中，异常值扰乱了不确定性估计，但没有影响预测值yhat。情况并非总是如此，例如在以下示例中添加了异常值：

df = pd.read_csv('./data/example_wp_log_R_outliers2.csv')
m = Prophet()
m.fit(df)
future = m.make_future_dataframe(periods=1096)
forecast = m.predict(future)
fig = m.plot(forecast)

此例中，在2015年6月造了一组极端异常值的数据来扰乱季节性估计，因此它们将影响到预测的值。和上个例子一样，正确的方法是删除它们：

df.loc[(df['ds'] > '2015-06-01') & (df['ds'] < '2015-06-30'), 'y'] = None
m = Prophet().fit(df)
fig = m.plot(m.predict(future))

参考资料：

https://facebook.github.io/prophet/docs/outliers.html

prophet outliers异常值相关推荐

【数据分析】利用机器学习算法进行预测分析（五）：Prophet
时间序列预测中的机器学习方法(五):Prophet 本文是"时间序列预测中的机器学习方法"系列文章的第五篇,如果您有兴趣,可以先阅读前面的文章: [数据分析]利用机器学习算法进行预 ...
ML之prophet：prophet的简介、安装、使用方法之详细攻略
ML之prophet:prophet的简介.安装.使用方法之详细攻略目录 prophet的简介 1.四大特点 prophet的安装 prophet的使用方法 1.基础案例 2.进阶案例 ML之pro ...
【机器学习基础】范数与正则化
前言本文讨论了机器学习中正则化这个话题,对于L1正则项为什么稀疏也是面试中经常涉及的. 概要正则化是机器学习中防止过拟合的一种重要技术.从数学上讲,它增加了一个正则化项,以防止系数如此完美地拟合而 ...
神经网络的损失函数讲解
在应用python进行神经网络训练时,我们需要提供神经网络.如Keras中, 定义:在深度学习中.损失函数是用来衡量一组参数好坏的函数,其衡量方式是比较网络输出和真实输出的差异. 损失函数有很多别名: ...
Mathematics English Vocabulary (Cited)
一般词汇数学 mathematics, maths(BrE), math(AmE) 公理 axiom 定理 theorem 计算 calculation 运算 operation 证明 prove ...
案例——中国篮球运动员的基本信息分析
案例--中国篮球运动员的基本信息分析分析目标 1.计算中国男篮.女篮运动员的平均身高与平均体重 2.分析中国篮球运动员的年龄分布 3.计算中国篮球运动员的体质指数数据获取先导入可能需要用到的包 ...
遥感相关专业英语词汇汇总
对网络上英语专业词汇进行汇总整理,如下表: 序号英语基础词汇摄影测量与遥感专业英语词汇英语基础词汇英语基础词汇-生态环境与遥感 1 Absorbed photosynthetically ac ...
QCustomPlot之盒须图（十六）
盒须图的组成如下图所示: 在QCustomPlot中创建一个盒须图所需的类:QCPStatisticalBox,为盒须图添加数据主要使用的是addData接口,接口定义如下: void addData ...
PMML 预测模型教程
mark一下,感谢作者分享! https://blog.csdn.net/wxk_1127/article/details/79797299 什么是PMML PMML 是一种基于XML的标准语言,用于 ...
大数据常见英文词汇（二）（待续）
大数据常见英文词汇(二)(待续) 以下单词是本人在学习大数据过程中遇到的生疏单词词汇.单词均在百度翻译中得到的释义,可能有失偏颇,望读者指正! 原文译文 ACK 确认.命令正确应答 Advanced ...

prophet outliers异常值

例子代码

prophet outliers异常值相关推荐

最新文章

热门文章