Beschreibung
Prophet ist ein Prognoseverfahren, das sowohl in R als auch in Python implementiert ist und für Zeitreihendaten mit starken saisonalen Effekten und mehreren Saisons entwickelt wurde. Es folgt der scikit-learn Model API, die es Benutzern ermöglicht, ein Prophet-Objekt zu instanziieren und dann seine `fit`- und `predict`-Methoden aufzurufen. Die Eingabedaten für Prophet müssen ein pandas DataFrame mit zwei Spalten sein: `ds` für den Zeitstempel und `y` für die numerische Messung, die prognostiziert werden soll. Die `ds`-Spalte sollte in einem von pandas erkennbaren Format vorliegen, idealerweise 'YYYY-MM-DD' für Daten oder 'YYYY-MM-DD HH:MM:SS' für Zeitstempel.
Weiterlesen
Der Anpassungsprozess ist schnell und dauert in der Regel 1-5 Sekunden. Nach der Anpassung werden Vorhersagen auf einem DataFrame mit zukünftigen Daten erstellt. Prophet bietet eine Hilfsmethode, `make_future_dataframe`, um diesen DataFrame zu generieren, der standardmäßig historische Daten für die In-Sample-Anpassung enthält. Die `predict`-Methode gibt einen Prognose-DataFrame aus, der den prognostizierten Wert (`yhat`) zusammen mit Unsicherheitsintervallen (`yhat_lower`, `yhat_upper`) und Prognosekomponenten enthält.
Prophet bietet Visualisierungsfunktionen über seine Methoden `plot` und `plot_components`, die die Gesamtprognose und ihre Bestandteile wie Trend, jährliche und wöchentliche Saisonalität anzeigen können. Für interaktive Visualisierungen integriert sich Prophet mit Plotly. Das Verfahren ist in der Lage, multiple Saisonalitäten, sich ändernde Wachstumsraten und besondere Tage zu modellieren, was es für verschiedene Prognoseherausforderungen robust macht. Die R API spiegelt die Python API wider und verwendet eine `prophet`-Funktion für die Anpassung sowie generische `predict`- und `plot`-Funktionen für Prognose und Visualisierung.
Prophet ist besonders nützlich für Geschäfts prognosen, bei denen die Saisonalität ein wichtiger Faktor ist, wie z. B. tägliche, wöchentliche oder jährliche Muster. Seine automatisierte Natur reduziert den Bedarf an umfangreicher manueller Abstimmung, während seine Flexibilität Expertenanpassungen ermöglicht. Das Tool eignet sich gut für Data Scientists, Analysten und Entwickler, die schnell und effizient zuverlässige Prognosen erstellen müssen.
- KategorieForecasting & Predictive Analytics
- PreismodellOpen Source
- BereitstellungCloud, Selbst gehostet
- PlattformenWeb
Prophet's Kernfunktionen
Zeitreihenprognose
Verarbeitet Saisonalität (täglich, wöchentlich, jährlich)
Modelliert multiple Saisonalitäten
Passt sich an Feiertage und besondere Ereignisse an
Automatisierte Prognose mit manuellen Abstimmungsoptionen
Schneller Anpassungsprozess (1-5 Sekunden)
Bietet Unsicherheitsintervalle
Visualisiert Prognosekomponenten (Trend, Saisonalität)
Verfügbar in R und Python
Scikit-learn-kompatible API (Python)
Interaktive Visualisierung mit Plotly
Open-Source
Erste Schritte mit Prophet
Installation über Paketmanager: Verwenden Sie `pip install prophet` für Python oder `install.packages('prophet')` für R.
Daten vorbereiten: Erstellen Sie einen DataFrame mit den Spalten 'ds' (Zeitstempel) und 'y' (numerische Messung).
Modell instanziieren und anpassen: Erstellen Sie ein Prophet-Objekt und rufen Sie die `fit`-Methode mit Ihren historischen Daten auf.
Zukünftige Daten generieren: Verwenden Sie `make_future_dataframe`, um einen DataFrame für zukünftige Vorhersagen zu erstellen.
Vorhersagen treffen: Rufen Sie die `predict`-Methode mit dem zukünftigen DataFrame auf, um Prognosen zu erhalten.
Ergebnisse visualisieren: Verwenden Sie die Methoden `plot` und `plot_components` zur Visualisierung von Prognosen und Komponenten.
Interaktive Visualisierung: Nutzen Sie die Plotly-Integration für interaktive Prognose- und Komponenten-Plots.
Prophet's Anwendungsfälle
- Geschäftsprognosen
- Vorhersage des Website-Traffics
- Analyse von Veranstaltungsauswirkungen
- Ressourcenplanung
- Anomalieerkennung
- Analyse von Marketingkampagnen
