Model Ramalan LuckyTemplates Menggunakan Python

Ramalan ialah aspek penting dalam analisis data, kerana ia membolehkan perniagaan membuat keputusan termaklum tentang masa depan berdasarkan data sejarah. Satu cara yang cekap untuk melaksanakan tugas ini ialah dengan menggunakan model ramalan LuckyTemplates menggunakan Python. LuckyTemplates ialah alat risikan perniagaan popular yang membolehkan pengguna membuat visualisasi data interaktif, laporan dan papan pemuka. 

Dalam tutorial ini, kami belajar cara mencipta model ramalan dalam LuckyTemplates menggunakan Python. Kami akan menggunakan Python dalam Power Query untuk mencipta nilai ramalan dan membawanya ke dalam visualisasi LuckyTemplates. Anda boleh menonton video penuh tutorial ini di bahagian bawah blog ini .

Isi kandungan

• Sampel Model Ramalan LuckyTemplates
• Model Ramalan LuckyTemplates: Kawalan dan Had 
• Analisis Trend Untuk Model Ramalan Python Dan LuckyTemplates
• Menggunakan Kod Python Untuk Ramalan
  • Melatih Model
  • Trend Aditif & Multiplikatif
• Pelaksanaan LuckyTemplates 
• Menyemak Skrip Python 
• Kesimpulan

Sampel Model Ramalan LuckyTemplates

Di bawah ialah beberapa model ramalan LuckyTemplates untuk menunjukkan kepada anda perkara yang ingin kami capai dalam tutorial ini. Ini ialah paparan halaman sebenar yang mendedahkan bermusim mingguan dan beberapa puncak bermusim dalam data. 

Menjelang penghujungnya, kami dapat melihat trend yang semakin meningkat dalam data kami yang ingin kami ambil dalam model kami.

Model Ramalan LuckyTemplates: Kawalan dan Had 

Di bawah ialah model untuk ramalan 30 hari yang dibuat menggunakan LuckyTemplates. Ia mempunyai kemusim yang sama seperti paparan halaman sebenar, dan dalam LuckyTemplates, kami juga mempunyai pilihan untuk mengawal beberapa data.

Kita boleh melakukannya dengan membuka Analitis dalam anak tetingkap Visualisasi . Kemudian, tuding ke bawah ke Ramalan > Pilihan . 

Letakkan 30 hari dalam tempoh Ramalan dan tetapkan selang Keyakinan pada 95%. Sistem boleh meramalkan Bermusim dengan tetapan lalainya, tetapi kami juga boleh menambah 7 untuk mewakili bermusim mingguan. 

Klik Guna dan kita harus mendapatkan model yang serupa dengan yang di atas.

Analisis Trend Untuk Model Ramalan Python Dan LuckyTemplates

LuckyTemplates melakukan kerja yang hebat dalam memodelkan kemusim. Walau bagaimanapun, garis alirannya tidak menunjukkan prestasi yang sama.

Untuk memulakan analisis aliran , hidupkan garis Aliran dalam anak tetingkap Visualisasi .

Sekali, kita dapat melihat aliran menaik. Kita seharusnya dapat menambahkan aliran itu ke dalam data kita yang kemudiannya akan mempengaruhi ramalan. 

Kita boleh melakukannya dengan model Python kami . Seperti yang kita lihat dalam model di bawah, arah aliran meningkat mengikut musim dan bukannya kekal mendatar.

Menggunakan Kod Python Untuk Ramalan

Menggunakan Python untuk mencapai matlamat kami bukanlah tugas yang sukar. Untuk memulakan, buka Buku Nota Jupyter anda . 

Masukkan data yang kami perlukan: panda, matplotlib.pyplot, seaborn dan ExponentialSmoothing . 

Terdapat model lain yang mungkin lebih tepat, tetapi mereka memerlukan lebih pengoptimuman. 

Kami juga akan membawa masuk seasonal_decompose untuk melihat bermusim dan arah aliran. Kemudian, gunakan ramalan web web_forecast.xlsx untuk membaca data kami. 

Kemudian, tukar tarikh menggunakan kod di bawah. 

Tetapkan indeks set data kami kepada Tarikh dan panggil ia ts. Kemudian, tetapkan kekerapan set data. Kami tahu bahawa kami mempunyai data harian, jadi mari kita tetapkan kekerapan sebagai d seperti dalam hari dan simpan sebagai ts . 

Akhir sekali, plot menggunakan ts.plot ( ).

Selepas merancang, kami harus melihat dengan tepat apa yang kami lihat dalam buku nota LuckyTemplates kami.  

Untuk mendapatkan idea yang lebih baik tentang komponen dalam arah aliran sebenar kami, kami boleh menggunakan kod berikut.

Model pertama ialah Actuals kami . Di sebelahnya ialah garis arah aliran yang kami ambil dengan seasonal_decompose(ts).plot(); .

Ini adalah trend yang perlu kita tambahkan pada model. 

Kami juga mempunyai kemusim yang boleh kami tambahkan pada kedua-dua model LuckyTemplates dan Exponential Smoothing. 

Model terakhir kami menunjukkan Sisa atau yang tidak dijangka dalam data yang diwakili oleh mata. Perhatikan bahawa semasa kami bergerak ke penghujung data kami, kami dapat melihat bahawa terdapat lebih banyak peristiwa yang berlaku. 

Melatih Model

Dengan model kami, kami perlu melatih data kami yang biasanya diikuti dengan ujian. Walau bagaimanapun, dalam kes ini, kami tidak akan menguji model kami kerana kami hanya akan menggunakan apa yang model berikan kepada kami. 

Terdapat 298 hari dalam set data kami, tetapi dalam contoh ini, kami hanya memerlukan model untuk mengingati 290 hari tersebut. Ini kerana kami tidak mahu memberikan model semua data yang tidak dapat dipelajari dan akhirnya hanya akan disalin. 

Pada asasnya, kami mempunyai set latihan ini selama 290 hari daripada 298 hari. 

Seterusnya, gunakan ExponentialSmoothing untuk model kami. Kemudian, masukkan set data latihan iaitu 290 hari dan gunakan tambah (aditif) untuk arah aliran kami, mul (daraban) untuk musim kami dan 7 untuk tempoh bermusim. Kemudian, muatkan data itu ke dalam model.

Trend Aditif & Multiplikatif

Mari kita lihat gambaran ringkas tentang arah aliran aditif dan pendaraban.

Dalam model aditif, aliran perlahan-lahan bertambah, manakala dalam model pendaraban , ia meningkat secara eksponen dan terdapat banyak perkara yang berlaku juga. Kita boleh menggunakan salah satu daripada kedua-duanya untuk mendapatkan jenis ramalan yang berbeza. 

Kita boleh bermain-main dengan kaedah aditif dan pendaraban untuk mengubah suai ramalan kita. Data semasa kami berkembang dengan jelas jadi adalah penting untuk menggunakan bahan tambahan, tetapi kami juga boleh mencuba menggunakan pendaraban untuk melihat apa yang akan kami perolehi. 

Contohnya, tukar kemusim daripada mul kepada tambah . 

Jalankan data dan perhatikan bagaimana ramalan berubah.

Begitu juga, kita boleh menukar arah aliran daripada tambah kepada mul . 

Ini sepatutnya menghasilkan aliran berganda yang lebih besar sedikit. 

Selepas mencuba kombinasi yang mungkin, menggunakan mul untuk kedua-dua arah aliran dan bermusim didapati membuahkan hasil yang TERBAIK . 

Setelah kami mempunyai model ramalan ini, kami kemudian boleh menggunakannya untuk meramalkan 30 hari lebih awal. 

Pelaksanaan LuckyTemplates 

Mari buat model ramalan LuckyTemplates yang sama dalam buku nota LuckyTemplates kami.

Dalam Ramalan LuckyTemplates kami , pergi ke Visualisasi > Analitis > Pilihan. Perhatikan cara kami menetapkan panjang Ramalan kepada 30 hari. 

Mari lihat bagaimana kita boleh melaksanakan kod itu dengan mudah dalam Power Query. 

Klik Transform data. 

Dalam Editor Power Query, masukkan data dan lajur Tambah Tersuai untuk Kategori . Gunakan Actuals supaya kita boleh memisahkan Actuals daripada Ramalan. 

Jika kita pergi ke Pertanyaan Ramalan , kita akan melihat set data yang lebih kecil bersamaan dengan 30 hari ke hadapan.

Menyemak Skrip Python 

Skrip Python kami mengandungi maklumat yang serupa. Mula-mula, kami membawa masuk set data, simpannya sebagai df , tukar Date kepada datetime , dan tetapkan kekerapan kepada d (hari). 

Kami juga membawa masuk model ExponentialSmoothing kami daripada holtwinters . Kami mengambil 290 hari pertama sebagai set latihan kami dan kemudian menambah data itu pada model. 

Dalam model ExponentialSmoothing kami , kami menambah data latihan dan menetapkan kedua-dua arah aliran dan bermusim kepada mul (berdarab) dan tempoh bermusim kepada 7 hari. Kemudian kami menyesuaikan model kami.

Seterusnya, kami mendapat bingkai atau jadual data baharu dengan ramalan kami. Kami menetapkan semula indeks dan memastikan ia dinamakan Tarikh dan Paparan Halaman agar sepadan dengan apa yang kami ada dalam data asal kami. Akhir sekali, kita klik OK. 

Dalam output, kami diberikan semua pembolehubah ini dalam data. 

Pergi ke Langkah Gunaan dan klik Lajur Ditambah . Ini membuka jadual dengan nilai ramalan kami dan lajur tersuai yang mempunyai Ramalan sebagai kategori. 

Dalam pertanyaan seterusnya, kami hanya menambah dua set data di mana kami mempunyai Actuals dan Forecasts . 

Klik Tutup & Mohon. 

Modelnya sedikit berubah apabila kami menggunakan kaedah pendaraban. 

Berbanding dengan LuckyTemplates, kami boleh membuat ramalan dengan mudah dan mengoptimumkan model sedikit lagi dengan menukar sifat aditif arah aliran dan kemusim dalam Python . Kami juga boleh menambah ramalan tersebut pada set data sebenar kami. 

Mencipta Ramalan Hadapan dalam LuckyTemplates Menggunakan DAX
Cara Melakukan Analisis Aliran Dalam LuckyTemplates Menggunakan DAX
Mengurus Kemusim Dalam Analitis Belanjawan Anda – LuckyTemplates Lanjutan

Kesimpulan

Dalam blog ini, kami melalui proses mencipta model ramalan dalam LuckyTemplates menggunakan Python . Dengan menyepadukan Python ke dalam LuckyTemplates, kami boleh mengakses pelbagai alat analisis dan pemodelan data, yang membolehkan kami membuat ramalan yang lebih maju. 

Dengan kemahiran yang telah anda pelajari dalam tutorial ini, anda kini boleh mencipta model ramalan anda sendiri dalam LuckyTemplates dan menggunakannya untuk merancang masa depan dengan yakin. Ingat bahawa peramalan ialah proses berulang, jadi jangan teragak-agak untuk bereksperimen dengan algoritma dan teknik yang berbeza untuk mencari algoritma yang paling sesuai untuk data anda dan menyemak dan mengemas kini model anda secara berterusan apabila data baharu masuk.

Semua yang terbaik,

Gaelim Holland