Optuna로 Prophet을 교잡해 봤어요.

제조업 출신 데이터 과학자가 보낸 보도

이번에 우리는 Optuna로 시간 서열 분석 방법의 Prophet를 교잡했다

입문

과거에 시간 서열 분석에 대해 몇 가지를 정리했으니 관심 있는 사람은 참조하세요.

시간 시퀀스 분석

상태 공간 모델

시간 시퀀스 예측을 위해 GBDT를 사용해 보십시오.

시간 시퀀스 분석 방법을 시도한 SARIMA 모델

Prophet

Prophet는 페이스북이 공개한 오픈 타임 시퀀스 분석 라이브러리다.
Prophet의 장점은 대체로 다음과 같다.
1. 모델 디자인의 유연성 높음
2. 샘플 간격 유연성 높음
3. 빠른 계산 가능
4. 매개 변수는 이해하기 쉽다
자세한 내용은 Prophet 공식 문서 을 참조하십시오.

Prophet 설치

이번에 사용한 데이터도 매달 비행기의 승객 수 데이터다.

# ライブラリーのインポート
import pandas as pd
import numpy as np
import seaborn as sns
import optuna
from matplotlib import pylab as plt
%matplotlib inline

from fbprophet import Prophet
from fbprophet.plot import add_changepoints_to_plot

import warnings
warnings.filterwarnings("ignore")

# https://stat.ethz.ch/R-manual/R-devel/library/datasets/html/AirPassengers.html
df = pd.read_csv('../data/AirPassengers.csv')

# float型に変換
df['#Passengers'] = df['#Passengers'].astype('float64')
df = df.rename(columns={'#Passengers': 'Passengers'})

# datetime型に変換にする
df.Month = pd.to_datetime(df.Month)

# データの中身を確認
df.head()

# データの可視化
fig, ax = plt.subplots()
a = sns.lineplot(x="Month", y="Passengers", data=df)
plt.show()

Prophet에서 모델을 구축합니다.

def objective_variable(train, valid):

    def objective(trial):
            params = {
                    'changepoint_range' : trial.suggest_discrete_uniform('changepoint_range', 0.8, 0.95, 0.001),
                    'n_changepoints' : trial.suggest_int('n_changepoints', 20, 35),
                    'changepoint_prior_scale' : trial.suggest_discrete_uniform('changepoint_prior_scale',0.001, 0.5, 0.001),
                    'seasonality_prior_scale' : trial.suggest_discrete_uniform('seasonality_prior_scale',1, 25, 0.1),
            }

            # fit_model
            model = Prophet(
                changepoint_range = params['changepoint_prior_scale'],
                n_changepoints=params['n_changepoints'],
                changepoint_prior_scale=params['changepoint_prior_scale'],
                seasonality_prior_scale = params['seasonality_prior_scale'],
            )

            model.fit(train)
            future = model.make_future_dataframe(periods=len(valid))

            forecast = model.predict(future)
            valid_forecast = forecast.tail(len(valid))

            val_mape = np.mean(np.abs((valid_forecast.yhat-valid.y)/valid.y))*100

            return val_mape

    return objective

def optuna_parameter(train, valid):
    study = optuna.create_study(sampler=optuna.samplers.RandomSampler(seed=10))
    study.optimize(objective_variable(train, valid), timeout=500)
    optuna_best_params = study.best_params

    return study

df = df.rename(columns={'Month':'ds','Passengers':'y'})
df = df[['ds','y']]
df_train = df[df['ds'] < '1956-04-01']
df_valid = df[(df['ds'] >= '1956-04-01')&(df['ds'] < '1957-04-01')]
df_test = df[df['ds'] >= '1957-04-01']

study = optuna_parameter(df_train, df_valid)

그리고 조정 결과의 초 파라미터를 이용하여 모델의 학습과 예측을 한다.

# fit_model
best_model = Prophet(
    changepoint_range = study.best_params['changepoint_prior_scale'],
    n_changepoints=study.best_params['n_changepoints'],
    seasonality_prior_scale = study.best_params['seasonality_prior_scale'],
    changepoint_prior_scale=study.best_params['changepoint_prior_scale'],
)

best_model.fit(df_train)
feature_test = best_model.make_future_dataframe(periods=len(df_valid)+len(df_test), freq='M')

forecast_test = best_model.predict(feature_test)
forecast_test_plot = best_model.plot(forecast_test)

fig, ax = plt.subplots()
df.y.plot(ax=ax, label='Original', linestyle="dashed")
forecast_test.yhat.plot(ax=ax, label='Predict')
ax.legend()

마지막

끝까지 읽어줘서 고마워요.
이번에 우리는 Optuna로 시간 서열 분석 방법인 Prophet에 대해 높은 매개 변수를 조정했다.
정정 요구가 있으면 연락 주세요.