如何评估使用Prophet开发的时间序列预测模型

Question

如何评估使用Prophet开发的时间序列预测模型

4

Facebook发布了用于预测时间序列的Prophet。虽然入门页面概述了如何使用predict()函数进行预测，但它并没有提到有关评估由prophet进行的时间序列预测的方法，例如检查残差或残差的自相关等等。例如，以下几行将进行预测：

library(prophet)    
library(dplyr)
library(lubridate)
df <- read.csv('example_wp_peyton_manning.csv') %>%  mutate(y = log(y))
df$ds <-ymd(df$ds)       # ds is now a Date type
model <- prophet(df)     # Create forecasting model
# Make data-frame with future dates for forecasting.
future <- make_future_dataframe(model, periods = 365)
# Make forecasts of these future periods
forecast <- predict(model, future)
# Calculate residuals for common dates
df1<-inner_join(forecast,df, by="ds")  
df1$residuals<-df1$y - df1$yhat
# And calculate ACF
acf(df1$residuals,lag.max = 10)

如果我用这种方式计算'acf'，结果会让人很沮丧。我的想法正确吗？

- Ashok K Harnal

1

此外，由于Prophet适用于回归模型而不是传统的时间序列模型，那么如何获取Prophet模型的R平方和Durbin-Watson自相关度量？ - elmaroto10

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Ayberk Yavuz · Accepted Answer

您可以编写自己的评估函数，基于均方误差来计算模型误差百分比。predict(model, future)方法可为现有数据和未来365个数据点（不在您的数据集中）提供预测。您拥有真实数据及其预测结果。假设您有1000条记录及其预测值，您可以使用最后20条或100条记录及其预测值来计算误差百分比。例如，您可以看一下我自己用Python编写的函数：

from sklearn.metrics import mean_squared_error
import numpy as np

def get_error_percentage(real_stock_price, predicted_stock_price):
    print("get_error_percentage() method was called.")
    rmse = math.sqrt(mean_squared_error(real_stock_price, 
    predicted_stock_price))
    # 800: avg of real_stock_price (test set)
    error_percentage = rmse / np.average(real_stock_price)
    return error_percentage

real_stock_price是您数据的最后20个记录或100个记录，而predicted_stock_price是real_stock_price的预测值。您可以在R中编写自己的评估函数。