FB datavidenskabsteam så det nærme sig datatidens tidsalder. De skabte deres profet til at forudsige data. Selvom dets brug ikke er begrænset til aktier, er det et praktisk værktøj for alle, der forsøger at forstå tal og bevægelser. Ifølge dem blev profeten gjort til:
gøre det nemmere for eksperter og ikke-eksperter at lave prognoser af høj kvalitet, der følger efterspørgslen
Hvor profeten funkler
Ikke altafgørende problemer kan løses med en lignende teknik. Profeten er forbedret for de forretningsestimatopgaver, vi har oplevet på Facebook, som almindeligvis har nogen af de medfølgende egenskaber:
- hver time, hver dag eller uge efter uge opfattelser med et sted omkring et par måneder (ideelt set en længere periode) historie
- solide forskellige "menneskelige" årstider: ugedag og sæson
- væsentlige lejligheder, der sker på sporadiske strækninger, der er kendt i forvejen (f.eks. Super Bowl)
- et fornuftigt antal manglende opfattelser eller enorme anomalier
- registrerede mønsterændringer, for eksempel på grund af vareforsendelser eller logføringsændringer
- mønstre, der er ikke-direkte udviklingsbøjninger, hvor et mønster rammer en karakteristisk cutoff eller fordyber sig
Hvordan profeten fungerer
I centrum er profetens metodologi en tilføjet stoftilbagefaldsmodel med fire primære dele:
- Et stykkevis direkte eller beregnet udviklingsbøjningsmønster. Profeten skelner derfor ændringer i mønstre ved at vælge ændringspunkter fra informationen.
- En årlig lejlighedsvis del vises ved hjælp af Fourier-serien.
- En uge-for-uge lejlighedsvis del, der bruger falske faktorer.
- En klient gav en gennemgang af vigtige lejligheder.
y(t) = g(t) + s(t) + h(t) + ϵ
- G (t) modellerer et mønster, som viser en udtrukket stigning eller aftagende information. Profeten forener to mønstermodeller, en fordybende udviklingsmodel og en stykkevis direkte model, afhængig af den slags foregribende problem.
- s(t) modellerer uregelmæssighed med Fourier-serien, som viser, hvordan information påvirkes af lejlighedsvise faktorer som årstiden (f.eks. flere søger efter æggesnaps i løbet af den koldere tid af året)
- h(t) modellerer virkningerne af begivenheder eller enorme begivenheder, der påvirker forretningstidsserier ϵ. omhandler et sidste fejlbegreb
Opsætning
Start med at importere alle de nødvendige biblioteker. Hvis du ikke allerede har Prophet installeret, kan du nemt installere det med pip.
pip installer fbprophet
Hvis du får følgende fejl, mens du bruger Jupiter
Brug kommando
conda install -c conda-forge fbprophet
importere json
import datetimeimporter numpy som np
fra fbprophet import Profet
importer pandaer som pd
importanmodninger
import import_ipynb
import præ som forbehandling
importer matplotlib.pyplot som pltfra fbprophet.plot importer plot_cross_validation_metric
importer matematik
slutpunkt = 'https://min-api.cryptocompare.com/data/histoday'
res = requests.get(slutpunkt + '?fsym=USDT&tsym=CAD&limit=500')hist = pd.DataFrame(json.loads(res.content)['Data'])
hist = hist.set_index('tid')
hist.index = pd.to_datetime(hist.index, unit='s')target_col = 'luk'hist.head(5)
hist['y']=(hist['high']+hist['low'])/2
hist['ds']=hist.indeksmodel = Profet()
model.fit(hist);fremtid = model.make_future_dataframe(periods=30)
#forecasting for 1 år fra nu.prognose = model.predict(future)figur=model.plot(prognose)
fig2 = model.plot_components(prognose)
Her repræsenterer trenden den overordnede trend for aktien. Ugentlig repræsenterer den cykliske natur på en ugentlig måde og årlig fortæller os den cykliske natur på et år. Fig2 bruges til at opdele output i dets kernekomponenter.
Det er det!
Brug dette trick til at forudsige og tjene overskud.
Fandt du denne artikel nyttig? Følg mig (Rahula Raj) på Medium og se mine mest populære artikler nedenfor! Venligst 👏 denne artikel for at dele den!
_______________________________________________________________
Åben for samarbejde
Kontakt mig på rahular2020@iimbg.ac.in.
_______________________________________________________________
- '
- Alle
- omkring
- artikel
- artikler
- virksomhed
- samarbejde
- indhold
- Par
- CryptoCompare
- cryptocurrency
- data
- dag
- Udvikling
- Endpoint
- EU
- EV
- eksperter
- følger
- fremtiden
- Høj
- Hvordan
- HTTPS
- kæmpe
- ia
- importere
- indeks
- oplysninger
- IP
- spørgsmål
- IT
- læring
- Limited
- LP
- machine learning
- medium
- model
- penge
- måned
- Mest Populære
- MS
- numre
- Mønster
- Populær
- Videnskab
- Series
- Del
- bestand
- Lagre
- stof
- Super Bowl
- fortæller
- tid
- us
- uge
- ugentlig
- Arbejde
- år