NeuralProphet 0.2 : 概要 (翻訳/解説)
翻訳 : (株)クラスキャット セールスインフォメーション
作成日時 : 07/17/2021 (Beta 0.2.7)
* 本ページは、NeuralProphet の以下のドキュメントを翻訳した上で適宜、補足説明したものです：
* サンプルコードの動作確認はしておりますが、必要な場合には適宜、追加改変しています。
* ご自由にリンクを張って頂いてかまいませんが、sales-info@classcat.com までご一報いただけると嬉しいです。
スケジュールは弊社 公式 Web サイト でご確認頂けます。
- お住まいの地域に関係なく Web ブラウザからご参加頂けます。事前登録 が必要ですのでご注意ください。
- ウェビナー運用には弊社製品「ClassCat® Webinar」を利用しています。
| 人工知能研究開発支援 | 人工知能研修サービス | テレワーク & オンライン授業を支援 |
| PoC(概念実証)を失敗させないための支援 (本支援はセミナーに参加しアンケートに回答した方を対象としています。) | ||
◆ お問合せ : 本件に関するお問い合わせ先は下記までお願いいたします。
| 株式会社クラスキャット セールス・マーケティング本部 セールス・インフォメーション |
| E-Mail：sales-info@classcat.com ; WebSite: https://www.classcat.com/ ; Facebook |
NeuralProphet 0.2 : 概要
Please note that the project is still in beta phase. Please report any issues you encounter or suggestions you have. We will do our best to address them quickly. Contributions are very welcome!
Facebook Prophet と AR-Net にインスパイアされ、PyTorch 上に構築された、時系列モデル・ベースのニューラルネットワークです。
ドキュメント
現在、改良された ドキュメントページ について作業しています。
NeuralProphet の視覚的イントロダクションについては、the 40th International Symposium on Forecasting で与えられたプレゼンテーションを見てください。
Contribute
ファミリーの一部になる手助けをする実践的な手順と更なるリソースを含む Contributing to NeuralProphet ページを編集しました。
コミュニティ
議論とヘルプ
質問や提案がある場合、GitHub のここにあるコミュニティ に参加できます。
Slack Chat
アクティブな Slack コミュニティ も持ちます。来て会話に参加してください！
チュートリアル
貴方が始める手助けをする幾つかの example ノートブック があります。
より多くのリソースについては ドキュメント・ページ を参照してください。
最小サンプル
from neuralprophet import NeuralProphet
パッケージをインポートした後、コードで NeuralProphet を使用できます :
m = NeuralProphet()
metrics = m.fit(df, freq="D")
future = m.make_future_dataframe(df, periods=30)
forecast = m.predict(future)
組込みのプロット関数で結果を視覚化できます :
fig_forecast = m.plot(forecast)
fig_components = m.plot_components(forecast)
fig_model = m.plot_parameters()
インストール
今は pip で neuralprophet を直接インストールできます :
pip install neuralprophet
Jupyter ノートブックでパッケージを使用するつもりなら、’live’ バージョンをインストールすることを勧めます :
pip install neuralprophet[live]
これは訓練 (そして検証) 損失のライブ・プロットを取得するために fit 関数の plot_live_loss を有効にします。
最新バージョンを必要とする場合には、代わりに github から直接インストールできます :
git clone <copied link from github>
cd neural_prophet
pip install .
モデルの特徴
- AR-Net を通した自己相関モデリング
- オプションの自動変化点検知を持つ区分的 (= piecewise) 線形トレンド
- yearly, daily, weekly, hourly のような異なる期間のフーリエ項季節性
- 遅延 (= lagged) リグレッサー (測定された特徴、e.g. 温度センサー)
- 未来リグレッサー (前もって知られる特徴、e.g. 気温予測)
- 休日 & 特殊イベント
- 正則化を通した係数のスパース性
- 予測成分、モデル係数と最終予測のためのプロット
- 訓練関連のハイパーパラメータの自動選択
以上
