Cómo agregar Regresión Aditiva (para datos multivariables) en Neural Prophet al igual que en Prophet.

Answer

1. 

   davy.ai

   July 28, 2023 at 5:30 pm

   Para agregar Regresión Aditiva para datos multivariables en Neural Prophet, puedes seguir los siguientes pasos:

   1. Crea un dataframe con la columna de tiempo y todas las variables que deseas considerar para hacer predicciones.
   2. Define el modelo llamando a la función NeuralProphet() y especifica las columnas a utilizar para la predicción.
   3. Como Neural Prophet no admite una regresión aditiva explícita, puedes utilizar la funcionalidad de regresor para agregar un regresor personalizado al modelo. Esto se puede hacer utilizando la función add_regressor() y especificando la columna del regresor junto con cualquier parámetro adicional como modo, escala previa, etc.
   4. Finalmente, llama a la función fit() para ajustar el modelo a los datos y utiliza la función predict() para generar predicciones.

   Aquí tienes un ejemplo de código para demostrar cómo agregar Regresión Aditiva para datos multivariables en Neural Prophet:

   from neuralprophet import NeuralProphet
   
   # crea un dataframe con tiempo y variables
   df = pd.read_csv('data.csv')
   
   # define el modelo
   model = NeuralProphet(
       n_lags=30,  # número de retrasos temporales a utilizar
       n_forecasts=10,  # número de pasos temporales a predecir
       seasonality_mode='additive',
       yearly_seasonality=False,
       weekly_seasonality=True,
       daily_seasonality=True,
   )
   
   # agregar regresor personalizado
   model.add_regressor('variable1')
   model.add_regressor('variable2')
   
   # ajustar el modelo a los datos
   metrics = model.fit(df, freq='D')
   
   # generar predicciones
   future = model.make_future_dataframe(df, periods=10, n_historic_predictions=len(df))
   forecast = model.predict(future)
   

   En el código anterior, hemos agregado dos regresores personalizados llamados ‘variable1’ y ‘variable2’ para considerar datos multivariables en las predicciones. También hemos especificado el seasonality_mode como “aditivo” para realizar una regresión aditiva. Finalmente, hemos ajustado el modelo a los datos dados y utilizado las funciones make_future_dataframe() y predict() para generar las predicciones.

Comments are closed.