Рубрика «prophet»
Как построить прогноз, которому верит бизнес: от Excel до нейросетей за полгода
2026-03-25 в 12:16, admin, рубрики: backtesting, prophet, TSMixer, ансамбль моделей, временные ряды, доверие к прогнозу, качество прогноза, прогнозирование продаж, прогнозирование спроса
Прогнозируем временные данные с TimeGPT
2025-01-22 в 14:01, admin, рубрики: AI, arima, ETS, prophet, TimeGPT, ИИ, прогнозирование, файнтюнинг
Прогнозирование временных рядов играет ключевую роль в самых разных отраслях: от предсказания тенденций на фондовом рынке до оптимизации цепочек поставок и управления запасами.
Однако традиционные модели, такие как ARIMA, Читать полностью »
Прогнозирование продаж с использованием библиотеки Prophet, часть 2
2024-12-09 в 17:19, admin, рубрики: prophet, прогнозы, продажиПривет! Продолжаю знакомить вас с библиотекой Prophet в качестве инстурмента прогнозирования продаж. Первая часть тут.
Функции для критериев качества в нашей прогнозной модели будут выглядеть следующим образом:
def calcucate_mae(data_daily):
"**"Mean Absolute Error calculation"""
data_daily[' abs_error'] = data_daily['y'] - data_daily['yhat']
mae = round(np.mean (abs (data_daily[-predictions:][' abs_error'])), 2)
return maedef calcucate_mape(data_daily):
""Mean Absolute Percentage Error calculation"""
data daily['abs error']
data_daily['y'] - data_daily[ 'yhat']
data_daily[' abs_error_pers'
data _daily[' abs_error'] * 100 / data _daily['y']
mape =
round (np mean(abs (data_daily[-predictions: ][*abs_error_pers'])), 2)
return mapeПрогнозирование продаж с использованием библиотеки Prophet, часть 1
2024-11-15 в 12:00, admin, рубрики: prophet, бидайн, прогнозирование, продажиПрогнозирование можно считать одной из основных задач аналитика. Прогноз продаж, оттока, выручки, затрат – всех основных KPI развития бизнеса – может потребоваться где и когда угодно, начиная от небольших ad hoc кейсов до масштабных задач вроде процесса бюджетирования на предстоящий год.
Меня зовут Нина Фещенко, я работаю в команде аналитики продаж FTTB-FMC (или иначе – ШПД и ковергентных продуктов) Билайн. В данной статье мы рассмотрим прогнозирование продаж FTTB-FMC для целей ежедневной отчетности.
Начнем с того, что мы понимаем под продажами ШПД и конвергенции.
Предсказываем будущее с помощью библиотеки Facebook Prophet
2017-03-23 в 11:01, admin, рубрики: arima, arma, data mining, machine learning, ods, Predictions, prophet, python, time series, Блог компании Open Data Science, математика, машинное обучение
Прогнозирование временных рядов — это достаточно популярная аналитическая задача. Прогнозы используются, например, для понимания, сколько серверов понадобится online-сервису через год, каков будет спрос на каждый товар в гипермаркете, или для постановки целей и оценки работы команды (для этого можно построить baseline прогноз и сравнить фактическое значение с прогнозируемым).
Существует большое количество различных подходов для прогнозирования временных рядов, такие как ARIMA, ARCH, регрессионные модели, нейронные сети и т.д.
Сегодня же мы познакомимся с библиотекой для прогнозирования временных рядов Facebook Prophet (в переводе с английского, "пророк", выпущена в open-source 23-го февраля 2017 года), а также попробуем в жизненной задаче – прогнозировании числа постов на Хабрехабре.