这里 2015年 6 月存在一些异常值破坏了季候效应的估计，是以将来的猜测也会永远地受到这个影响。最好的解决办法就是移除这些异常值：

七、非日数据

Prophet 处理的对象并非必须是日数据，不过如果试图经由过程非日数据来猜测每日的情况或拟合季候性效应，往往会获得奇奇滚滚的结不雅。下面应用美国零售业发卖量数据来猜测将来 10 年的情况：

猜测结不雅看起来异常混乱，原因恰是在于这个特别的数据集应用的是月数据。当我们拟合年度效应时，只有每个月第一天的数据，并且对于其他天的周期效应是弗成测且过拟合的。当你应用 Prophet 拟合月度数据时，可以经由过程在 make_future_dataframe 中传入频率参数只做月度的猜测。

【编辑推荐】

1. Teradata天睿公司宣布开源Kylo软件 业内率先实现数据管道快速搭建与治理
2. 解读Wikibon 2017年大年夜数据分析猜测申报
3. Uber开源数据可视化对象deck.gl获重大年夜进级
4. 大年夜数据在猜测性维修中的应用
5. 主流开源SQL引擎总结，赓续改进的Hive始终遥遥领先

【义务编辑：武晓燕 TEL：（010）68476606】

　　推荐阅读

　　深度学习的时间序列模型评价

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

本文标题：在R中使用开源大规模预测工具Prophet

地址：http://www.17bianji.com/lsqh/35074.html

 1/2    1