Description
Prophet est une procédure de prévision implémentée en R et en Python, conçue pour gérer les données de séries temporelles avec de forts effets saisonniers et de multiples saisons. Elle suit l'API du modèle scikit-learn, permettant aux utilisateurs d'instancier un objet Prophet, puis d'appeler ses méthodes `fit` et `predict`. Les données d'entrée pour Prophet doivent être un DataFrame pandas avec deux colonnes : `ds` pour la date et `y` pour la mesure numérique à prévoir. La colonne `ds` doit être dans un format reconnaissable par pandas, idéalement 'AAAA-MM-JJ' pour les dates ou 'AAAA-MM-JJ HH:MM:SS' pour les horodatages.
Lire la suite
Le processus d'ajustement est rapide, prenant généralement 1 à 5 secondes. Après l'ajustement, les prédictions sont effectuées sur un DataFrame contenant les dates futures. Prophet fournit une méthode utilitaire, `make_future_dataframe`, pour générer ce DataFrame, qui inclut par défaut les dates historiques pour l'ajustement intra-échantillon. La méthode `predict` génère un DataFrame de prévision qui inclut la valeur prédite (`yhat`), ainsi que des intervalles de confiance (`yhat_lower`, `yhat_upper`) et les composantes de la prévision.
Prophet offre des capacités de visualisation via ses méthodes `plot` et `plot_components`, qui peuvent afficher la prévision globale et ses parties constitutives comme la tendance, la saisonnalité annuelle et la saisonnalité hebdomadaire. Pour les visualisations interactives, Prophet s'intègre avec Plotly. La procédure est capable de modéliser de multiples saisonnalités, des taux de croissance changeants et des jours spéciaux, la rendant robuste pour divers défis de prévision. L'API R reflète l'API Python, utilisant une fonction `prophet` pour l'ajustement et des fonctions génériques `predict` et `plot` pour la prévision et la visualisation.
Prophet est particulièrement utile pour les prévisions commerciales où la saisonnalité est un facteur important, comme les modèles quotidiens, hebdomadaires ou annuels. Sa nature automatisée réduit le besoin d'ajustements manuels importants, tandis que sa flexibilité permet des ajustements par des experts. L'outil est bien adapté aux data scientists, analystes et développeurs qui ont besoin de construire des prévisions fiables rapidement et efficacement.
- CatégoriePrévision et analyse prédictive
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesWeb
Fonctionnalités principales de Prophet
Prévision de séries temporelles
Gère la saisonnalité (quotidienne, hebdomadaire, annuelle)
Modélise de multiples saisonnalités
Ajuste pour les jours fériés et les événements spéciaux
Prévision automatisée avec options d'ajustement manuel
Processus d'ajustement rapide (1-5 secondes)
Fournit des intervalles de confiance
Visualise les composantes de la prévision (tendance, saisonnalité)
Disponible en R et Python
API compatible scikit-learn (Python)
Visualisation interactive avec Plotly
Open-source
Premiers pas avec Prophet
Installer via le gestionnaire de paquets : Utilisez `pip install prophet` pour Python ou `install.packages('prophet')` pour R.
Préparer les données : Créez un DataFrame avec les colonnes 'ds' (date) et 'y' (mesure numérique).
Instancier et ajuster le modèle : Créez un objet Prophet et appelez la méthode `fit` avec vos données historiques.
Générer les dates futures : Utilisez `make_future_dataframe` pour créer un DataFrame pour les prédictions futures.
Effectuer les prédictions : Appelez la méthode `predict` avec le DataFrame futur pour obtenir les prévisions.
Visualiser les résultats : Utilisez les méthodes `plot` et `plot_components` pour la visualisation des prévisions et des composantes.
Visualisation interactive : Utilisez l'intégration Plotly pour des graphiques interactifs de prévisions et de composantes.
Cas d'utilisation de Prophet
- Prévisions commerciales
- Prédiction du trafic web
- Analyse d'impact d'événements
- Planification des ressources
- Détection d'anomalies
- Analyse de campagnes marketing
