【机器学习】太赞了！几行代码实现30多种时序模型预测

简介

PyCaret是一个开源、低代码的Python机器学习库，可自动执行机器学习工作流。它是一种端到端的机器学习和模型管理工具，可以以指数方式加快实验周期并提高您的工作效率。

与其他开源机器学习库相比，PyCaret是一个替代的低代码库，可用于仅用几行代码替换数百行代码。这使得实验速度和效率呈指数级增长。

PyCaret本质上是围绕多个机器学习库和框架（例如 scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray 等的Python包装器。

PyCaret时间序列模块

PyCaret的新时间序列模块现已提供测试版。秉承 PyCaret 的简单性，它与现有的 API 保持一致，并带有很多功能：模型训练和选择（30多种算法）、模型分析、自动超参数调优、实验记录、云部署等。

pip install pycaret-ts-alpha

使用样例

PyCaret的时间序列模块中的工作流程非常简单。它从setup您定义预测范围，然后设置使用函数训练和评估多种算法。

加载数据

import pandas as pd
from pycaret.datasets import get_data
data = get_data('pycaret_downloads')
data['Date'] = pd.to_datetime(data['Date'])
data = data.groupby('Date').sum()
data = data.asfreq('D')
data.head()

# plot the data
data.plot()

初始化设置

from pycaret.time_series import *
setup(data, fh = 7, fold = 3, session_id = 123)

from pycaret.internal.pycaret_experiment import TimeSeriesExperiment
exp = TimeSeriesExperiment()
exp.setup(data, fh = 7, fold = 3, session_id = 123)

统计测试

check_stats()

探索性数据分析

plot_model(plot = 'ts')
exp.plot_model(plot = 'ts')

# cross-validation plot
plot_model(plot = 'cv')

# ACF plot
plot_model(plot = 'acf')

# Diagnostics plot
plot_model(plot = 'diagnostics')

# Decomposition plot
plot_model(plot = 'decomp_stl')

模型训练与选择

best = compare_models()
best = exp.compare_models()

# create fbprophet model
prophet = create_model('prophet')
print(prophet)

tuned_prophet = tune_model(prophet)
print(tuned_prophet)

plot_model(best, plot = 'forecast')

# forecast in unknown future
plot_model(best, plot = 'forecast', data_kwargs = {'fh' : 30})

# in-sample plot
plot_model(best, plot = 'insample')

# residuals plot
plot_model(best, plot = 'residuals')

测试部署

# finalize model
final_best = finalize_model(best)# generate predictions
predict_model(final_best, fh = 90)

# save the model
save_model(final_best, 'my_best_model')

参考资料

pycaret时序文档：https://pycaret.readthedocs.io/en/time_series/api/time_series.html

pycaret时序规划：https://github.com/pycaret/pycaret/issues/1648