Size: a a a

Python для анализа данных

2021 August 25

AD

Alexander Dergilev in Python для анализа данных
Prophet смотрели?
источник

s

slavapro in Python для анализа данных
как только запускается подбор наиболее удачной комбинации память и проц кушаюся очень сильно, даже на одном потоке. При показателе m=365 успевает пройти только один вариант  ARIMA(0,1,0)(0,1,0)[365]             : AIC=8015.336, Time=333.92 sec
источник

PZ

Pavel Zheltouhov in Python для анализа данных
попробуйте prophet.
источник

s

slavapro in Python для анализа данных
Конечно, ARIMA нужна для сравнения с профитом
источник

AD

Alexander Dergilev in Python для анализа данных
И чем он не устроил?
источник

s

slavapro in Python для анализа данных
Кстати, профит счас входит в состав Kats которая дает больше возможностей
источник

s

slavapro in Python для анализа данных
Я делаю сравнение разных моделей
источник

AD

Alexander Dergilev in Python для анализа данных
И зачем, если не секрет
источник

s

slavapro in Python для анализа данных
В научных целях, мне нравится профет, но часто необходимо обосновать использование той или иной модели. В статье Forecasting at scale есть ссылка на то, что он неплох в сравнении с другими, Но вот я по быстрому в RapidMiner прогнал AutoModel и там градиентный бустинг очень неплох. Сравнивал по RMSE и сравнение примерное т.к. условия разделения выборки, скорее всего разные.
источник

AD

Alexander Dergilev in Python для анализа данных
Мм
источник

AD

Alexander Dergilev in Python для анализа данных
На одном и том же ряде?
источник

s

slavapro in Python для анализа данных
Кстати в одной из статей по профету на хабре, девушка писала что у нее автоарима дала лучший результат нежелеи у профета
источник

s

slavapro in Python для анализа данных
именно
источник

AD

Alexander Dergilev in Python для анализа данных
Все индивидуально
источник

s

slavapro in Python для анализа данных
Думаю и от набора данных зависеть может
источник

AD

Alexander Dergilev in Python для анализа данных
Рядов может быть тысячи, и среди них для прогноза через модель годны только - 20%, остальное имеет эпизодический спрос
источник

s

slavapro in Python для анализа данных
профет более менее прожевал же
источник

AD

Alexander Dergilev in Python для анализа данных
Ну как сказать
источник

AD

Alexander Dergilev in Python для анализа данных
Если выбрать гранулярность - дни и запихнуть в модель ряд с эпизодическим спросом, то ничего хорошего не выдаст
источник

AD

Alexander Dergilev in Python для анализа данных
Либо укрупнять гранулярность, либо использовать очень простые модели
источник