Time Series Forecasting Python
Vložit
- čas přidán 2. 01. 2023
- En esta ocasión vamos hablar sobre el #pronóstico de #SeriesdeTiempo en la cual vamos a aplicar 4 modelos diferentes como son:
1. Modelo #Arima
2. Modelo #lstm
3. Random Forest
4. Modelo con #Prophet
Vamos hacer las comparaciones de sus predicciones y los errores para cada uno de los modelo.
cuaderno:
github.com/Naren8520/Serie-de...
Excelente Naren... Muy buena exploración
Excelente video, gracias por compartir
Naren, excelente como siempre, muy claro
Gracias Sol!!! Si puedes compartirlo 💪 genial... No olvides dar like 😁
Gracias!!!
excelente aporte, si das cursos de esto por favor anuncialo
Gracias
Naren, excelente tutorial, te felicito, realmente muy didactico y claro.
Muchas gracias... Sí puedes comparte!!
@@narencastellon absolutamente
Muy buen video , gracias.
Gracias saludos 😃
excelente video tutorial y bien explicado, te quería consultar si tienes un video similar pero al menos 2 variables adicionales ej ocupaste solo campo fecha y precio ajustado, digo para hacer un análisis multivariado con mas variables que inciden o impactan y mejoran la proyección
Pronto voy a grabar uno.
Esta genial. Sabes q te falto? Mostrarnos como sacar un dato futuro usando los modelos. Estaria bien que lo explicaras. Muchisimas gracias por el video
En cada modelo que se explica está como hacer las predicciones.
Yo tengo la misma pregunta como hacer las predicciones o mejor dicho pronósticos fuera de set de datos de prueba
🎉Esmi. Papá,
Bello 😍
Muy buen video , busque el codigo que diste pero no sale la desconversion de los datos del random forest , y como lo colocas en el video me hace la desconvercion pero mal
Excelente video Naren, es posible que subas el notebook?
En la descripción del vídeo podés encontrar el link de mi Github... No olvides dejar un estrella 🙏... Saludos!!!
Hola profe! gran vídeo, muchas gracias.
Consulta: En este video realiza la transformación de la serie a través de la diferenciación para lograr que sea estacionaria.. ¿Pero utiliza la serie sin transformar para las predicciones con los modelos?
La diferenciacion se usa para poder determinar cuáles serán los términos que va a llegar el modelo... Al usar AutoARIMA no se necesita que lo datos sean diferenciados, ya que la automatización se va a encargar de encontrar el mejor modelo a partir de la series que tengamos... Los demás modelo pueden trabajar con datos estacionarios y no.
@@narencastellonGenio profe!
Solo Sarima necesita la series estacionarias... entiendo, muchas gracias de nuevo!
@@christiandagatti1016 todos los modelos de la familia arima requiere que la serie sea estacionaria... Pero casi toda la mayoría de los modelos univariados necesita que la serie sea estacionaria... Cuidado con esto... Estacionario no es lo mismo que estacionalidad ... Son conceptos diferentes....
En este caso ¿ entrena Random forest, Lstm y Prophet con los datos de la serie sin transformar? Es decir sin la diferenciacion
@@christiandagatti1016 si puedes hacerlo y probar... Lo recomendable es hacer un tratamiento de los datos, ejemplo una normalización , usar cox box, una logaritmo... Si la serie lo requiere o otro método de transformación de datos ..
Mirar si tienes datos outoliers, o una estandarizacion ... Muchas cosas podés hacer todo dependera de la series que tengas y el desempeño que puedas tener el modelo
Cordial saludo, tengo una duda, cuando hago el comando arima_pred = arima_result.predict(start = len(train_data), end = len(df)-1, typ="levels").rename("ARIMA Predictions"), no visualizo fechas, solo numeros. es normal?
Cuando haces esa instrucción estás realizando las predicciones de la forma 1, que son con los datos de prueba.
@@narencastellon si, pero no muestra fechas, muestras numeros consecutivos
Si muestra las fechas, revisa el vídeo nuevamente, te das columnas, las fechas y las predicciones, en ambos casos!!!
Por favor, ten cuidado con el volumen del microfono que cambia muy de golpre satura y molesta
creo que el timegenerator esta mal usando, solo le diste 16 datos para entrenar a demas es falso que las LSTM tengan el parámetro hidden_layer_sizes
He mencionado el cómo parte teórico el Hidden layer, pero no lo he usado en el modelo LSTM, este modelo no usa ese parámetros, en cuanto timegenerador yo lo puedo en ese caso no hay ningún problema, si quiero usarlo para 5 forecast como para 100 lo puedo hacer, no hay ninguna restricción al respecto