三、趋势突变点
2. 对节假日和季候性设定先验范围
上述代码将最大年夜后验估计( MAP )代替为马尔科夫蒙特卡洛取样 ( MCMC )，并且将计算时光大年夜 10 秒延长到 10 分钟。如不雅做了全取样，就能经由过程画图看到季候效应的不肯定性了：
如不雅发明节假日效应被过度拟合了，经由过程设置参数 holidays.prior.scale 可声调剂它们的先验范围来使之腻滑，默认下该值取 10 。
你可以在这个数据框基本上再新建两列 lower_window 和 upper_window ，大年夜而将节假日的时光扩大成一个区间 [ lower_window , upper_window ] 。举例来说，如不雅想将安然夜也参加到 “圣诞节” 里，就设置 lower_window = -1 , upper_window = 0 ;如不雅想将黑色礼拜五参加到 “感恩节” 里，就设置 lower_window = 0 , upper_window = 1 。
五、猜测区间
在猜测时，不肯定性重要来源竽暌冠三个部分：趋势中的不肯定性、季候效应估计中的不肯定性和不雅测值的噪声影响。
1. 趋势中的不肯定性
预估中，不肯定性最大年夜的来源就在于将来趋势改变的不肯定性。Prophet 假定 “将来将会和汗青具有类似的趋势” 。尤其重要的是，我们假定将来趋势的平均更改频率和幅度和我们不雅测到的汗青值是一样的，大年夜而猜测趋势的变更并经由过程计算，最终获得猜测区间。
这种衡量不肯定性的办法具有以下性质：变更速度灵活性更大年夜时(经由过程增大年夜参数changepoint.prior.scale 的值)，猜测的不肯定性也会随之增大年夜。原因在于如不雅将汗青数据中更多的变更速度参加了模型，也就代表我们认为将来也会变更得更多，就会使得猜测区间成为反竽暌钩过拟合的标记。
猜测区间的宽度(默认下，是 80% )可以经由过程设置 interval.width 参数来控制：
2. 季候效应中的不肯定性
默认情况下， Prophet 只会返回趋势中的不肯定性和不雅测值袈潆声的影响。你必须应用贝叶斯取样的办法来获得季候效应的不肯定性，可经由过程设置 mcmc.samples 参数(默认下取 0 )来实现。
六、异常值
下面我们应用之前应用过的 R 说话维诽谤科主页对数拜访量的数据来建模猜测，只不过应用存在时光距离并不完全的数据：
如上 R 输出图所示，趋势猜测看似合理，猜测区间的估计却过于广泛。
处理异常值最好的办法是移除它们，而 Prophet 使可以或许处理缺掉数据的。如不雅在汗青数据中某行的值为空( NA )，然则在待猜测日期数据框 future 中仍保存这个日期，那么 Prophet 依旧可以给出该行的猜测值。
上述这个实例固然影响了不肯定性的估计，却没有影响到重要的猜测值 yhat 。然则，实际往往并非如斯，接下来，在上述数据集基本上参加新的异常值后再建模猜测：
推荐阅读
技巧总言：此次重要说比来成长的无监督特点进修和深刻进修，其对于时光序列模型问题的评价。这些技巧已经展示了欲望对于建模静态数据，如计算机视觉，把它们应用到时光序列数据正在获得越>>>详细阅读
地址：http://www.17bianji.com/lsqh/35074.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示