Мощный генетический алгоритм для временных рядов
Привет всем, добро пожаловать обратно в другую интересную тему генетического подхода к временным рядам/последовательным данным.
Мы уже видели в нашем предыдущем обсуждении, как генетический подход работает для алгоритмов машинного обучения, предназначенных для более высокой точности пропускной способности,
Вот ссылка на случай, если вы не сможете понять, о чем я говорю.
Сегодня мы рассмотрим тот же подход для данных временных рядов, используя пакет под названием AutoTS.
Давайте начнем
#AutoTS from autots import AutoTS from autots.models.model_list import model_lists print(model_lists)
Прохладный? у нас есть множество моделей временных рядов, включая ансамбль, который я покажу вам позже.
Теперь давайте загрузим данные.
#default data from autots.datasets import load_monthly #data was in long format df_long = load_monthly(long=True)
# Инициализировать AutoTS с другими параметрами
model = AutoTS(
forecast_length=3,
frequency='infer',
ensemble='simple',
max_generations=5,
num_validations=2,
)
model = model.fit(df_long, date_col='datetime', value_col='value', id_col='series_id')
#help(AutoTS)
Будьте терпеливы, это требует времени, так как он должен пройти через множество итераций алгоритмов.
# Print the name of the best model print(model)
Мы также можем просмотреть оценки точности модели.
#accuracy score
model.results()
#aggregated from cross validation
validation_results = model.results("validation")
Из списка оценок точности модели вы также можете увидеть выделенное выше из столбца «Модель «Ансамбль», и его низкая точность подтверждает одну из теорий, согласно которой неправда, что ансамбль всегда работает лучше.
Поскольку мы получили лучшую модель, а также другие оценки точности модели. теперь пришло время получить прогнозные значения.
prediction = model.predict() forecasts_df = prediction.forecast upper_forecasts_df = prediction.upper_forecast lower_forecasts_df = prediction.lower_forecast #or forecasts_df1 = prediction.long_form_results() upper_forecasts_df1 = prediction.long_form_results() lower_forecasts_df1 = prediction.long_form_results()
Давайте возьмем другой вариант использования, чтобы соответствовать нашей настройке.
Что, если мы хотим работать в нескольких списках моделей и иметь больший или меньший вес для определенной функции.
from autots import AutoTS
from autots.datasets import load_hourly
df_wide = load_hourly(long=False)
# here we care most about traffic volume, all other series assumed to be weight of 1
weights_hourly = {'traffic_volume': 20}
Теперь мы определим список моделей
model_list = [
'LastValueNaive',
'GLS',
'ETS',
'AverageValueNaive',
]
model = AutoTS(
forecast_length=49,
frequency='infer',
prediction_interval=0.95,
ensemble=['simple', 'horizontal-min'],
max_generations=5,
num_validations=2,
validation_method='seasonal 168',
model_list=model_list,
transformer_list='all',
models_to_validate=0.2,
drop_most_recent=1,
n_jobs='auto',
)
После этого мы теперь должны определить вес, подгоняя модель под наши данные.
model = model.fit(
df_wide,
weights=weights_hourly,
)
prediction = model.predict()
forecasts_df = prediction.forecast
Экспортировать модель тоже довольно просто.
#EXPORTING############################################
# after fitting an AutoTS model
example_filename = "example_export.csv" # .csv/.json
model.export_template(example_filename, models='best',
n=15, max_per_model_class=3)
forecast_length = 3
# on new training
model = AutoTS(forecast_length=forecast_length,
frequency='infer', max_generations=0,
num_validations=0, verbose=0)
model = model.import_template(example_filename, method='only') # method='add on'
print("Overwrite template is: {}".format(str(model.initial_template)))
Опять же, что, если мы хотим запустить одну модель, вот быстрый улов
#Running just one model ################################################################
from autots import load_daily, model_forecast
df = load_daily(long=False) # long or non-numeric data won't work with this function
df_forecast = model_forecast(
model_name="AverageValueNaive",
model_param_dict={'method': 'Mean'},
model_transform_dict={
'fillna': 'mean',
'transformations': {'0': 'DifferencedTransformer'},
'transformation_params': {'0': {}}
},
df_train=df,
forecast_length=12,
frequency='infer',
prediction_interval=0.9,
no_negatives=False,
# future_regressor_train=future_regressor_train2d,
# future_regressor_forecast=future_regressor_forecast2d,
random_seed=321,
verbose=0,
n_jobs="auto",
)
df_forecast.forecast.head(5)
Вот и все! Вот репо пакета для подробного изучения
https://winedarksea.github.io/AutoTS/build/html/source/intro.html#autots
Вам понравилось? если да, дайте мне знать…….просмотрите другие мои статьи, включая «Генетический алгоритм с Tpot».
Гарантирую, вам они тоже понравятся. До скорых встреч с еще одной интересной темой.
Некоторые из моих альтернативных сайтов в Интернете: Facebook, Instagram, Udemy, Blogger, Issuu и другие.
Также доступно на Quora @ https://www.quora.com/profile/Rupak-Bob-Roy
Хорошего дня.
