Scribd
Cargar
18 vistas2 páginas

Tutorial NeuralProphet

NeuralProphet es una librería de Meta AI que combina Prophet con redes neuronales para modelar series temporales complejas. Permite la inclusión de lags, regresores y eventos, y ofrece herramientas para la validación y ajuste de hiperparámetros. Sin embargo, tiene limitaciones como la necesidad de más datos y mayor complejidad en el modelado.

Cargado por

brayan
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
18 vistas2 páginas

Tutorial NeuralProphet

NeuralProphet es una librería de Meta AI que combina Prophet con redes neuronales para modelar series temporales complejas. Permite la inclusión de lags, regresores y eventos, y ofrece herramientas para la validación y ajuste de hiperparámetros. Sin embargo, tiene limitaciones como la necesidad de más datos y mayor complejidad en el modelado.

Cargado por

brayan
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

Tutorial Completo de NeuralProphet para Predicción de Series de Tiempo

Introducción a NeuralProphet

NeuralProphet es una librería desarrollada por Meta AI que combina Prophet con redes neuronales. Permite modelar
series temporales complejas incluyendo lags, regresores, múltiples series y eventos futuros.

Instalación

pip install neuralprophet

Estructura del Modelo

NeuralProphet descompone la serie en componentes como tendencia, estacionalidad, eventos, regresores y lags.
Permite modelado global con múltiples series simultáneamente.

Ejemplo Básico

from neuralprophet import NeuralProphet


model = NeuralProphet(n_forecasts=30, n_lags=14, yearly_seasonality=True)
[Link](df, freq='D')
future = model.make_future_dataframe(df, periods=30)
forecast = [Link](future)

Regresores y Eventos

model.add_future_regressor('precio')
model.add_events(['navidad'])
df['event'] = 'navidad'

Validación y Métricas

model.crossvalidation_split_df(df, k=3)
Métricas: MAE, RMSE, MAPE, SMAPE, Loss

Tuning de Hiperparámetros

Parámetros importantes: n_forecasts, n_lags, learning_rate, epochs, seasonality_mode.


Se recomienda hacer pruebas con distintas combinaciones y validar con cross-validation.

Modelado Global

df['ID'] = 'serie1'
[Link](df, freq='D', id_col='ID')

Interpretación de Resultados

NeuralProphet permite visualizar tendencia, estacionalidades y residuos mediante funciones de visualización propias.
Tutorial Completo de NeuralProphet para Predicción de Series de Tiempo

Mejores Prácticas

Verificar el formato de fechas, eliminar outliers, normalizar datos para múltiples series, y validar el modelo con
conocimiento del dominio.

Limitaciones

- Requiere más datos que Prophet


- Mayor complejidad y tuning
- Menor interpretabilidad
- Entrenamiento más lento

Cuándo No Usar NeuralProphet

No se recomienda si hay pocos datos, alta irregularidad, necesidad de interpretabilidad individual o recursos limitados.

Recursos Adicionales

[Link]
[Link]

También podría gustarte