使用 PyCaret 回归模块进行时间序列预测

原文：www.kdnuggets.com/2021/04/time-series-forecasting-pycaret-regression-module.html

由 Moez Ali，PyCaret 的创始人和作者

PyCaret

PyCaret 是一个开源、低代码的机器学习库和端到端模型管理工具，内置于 Python 中，用于自动化机器学习工作流。由于其易用性、简单性和快速高效地构建和部署端到端机器学习原型的能力，它非常受欢迎。

PyCaret 是一个替代的低代码库，可以用少量代码替换成百上千行代码。这使得实验周期变得指数级地快速和高效。

PyCaret 是 简单且 易于使用 的。PyCaret 中执行的所有操作都按顺序存储在一个 Pipeline 中，该 Pipeline 完全自动化以进行部署。无论是填补缺失值、独热编码、转换类别数据、特征工程还是超参数调整，PyCaret 都会自动完成所有这些操作。要了解更多关于 PyCaret 的信息，请观看这个 1 分钟的视频。

PyCaret — 一个开源、低代码的 Python 机器学习库

本教程假设你有一些 PyCaret 的先前知识和经验。如果你以前没有使用过，也没问题——你可以通过这些教程快速入门：

PyCaret 2.2 版来了——新功能
宣布 PyCaret 2.0
五件你不知道的 PyCaret 事

安装 PyCaret

安装 PyCaret 非常简单，只需几分钟。我们强烈建议使用虚拟环境以避免与其他库的潜在冲突。

PyCaret 的默认安装是一个精简版，只安装此处列出的硬依赖项。

**# install slim version (default)** pip install pycaret**# install the full version**
pip install pycaret[full]

当你安装 pycaret 的完整版本时，所有的可选依赖项也会被安装，详见此处。

???? PyCaret 回归模块

PyCaret 回归模块 是一个监督学习模块，用于估计 因变量（通常称为‘结果变量’或‘目标’）与一个或多个 自变量（通常称为‘特征’或‘预测变量’）之间的关系。

回归的目标是预测连续值，如销售额、数量、温度、客户数量等。PyCaret 的所有模块都提供许多预处理特性，通过 setup 函数准备数据用于建模。它拥有超过 25 种现成的算法和若干图表来分析训练模型的性能。

???? PyCaret 回归模块中的时间序列

时间序列预测可以大致分为以下几类：

经典 / 统计模型 — 移动平均、指数平滑、ARIMA、SARIMA、TBATS
机器学习 — 线性回归、XGBoost、随机森林或任何带有降维方法的 ML 模型
深度学习 — RNN, LSTM

本教程专注于第二类，即 机器学习。

PyCaret 的回归模块默认设置不适合时间序列数据，因为它涉及一些不适用于有序数据（如时间序列数据的数据）的数据准备步骤。

例如，数据集的训练集和测试集的划分是通过随机洗牌完成的。这对时间序列数据来说不合适，因为你不希望最近的日期被包含在训练集中，而历史日期则是测试集的一部分。

时间序列数据也需要一种不同的交叉验证方式，因为它需要尊重日期的顺序。PyCaret 回归模块默认使用 k-fold 随机交叉验证来评估模型。默认的交叉验证设置不适用于时间序列数据。

本教程的下一部分将演示如何轻松更改 PyCaret 回归模块中的默认设置，以便使其适用于时间序列数据。

???? 数据集

为了本教程的目的，我使用了美国航空乘客数据集。你可以从 Kaggle 下载数据集。

**# read csv file** import pandas as pd
data = pd.read_csv('AirPassengers.csv')
data['Date'] = pd.to_datetime(data['Date'])
data.head()

示例行

**# create 12 month moving average** data['MA12'] = data['Passengers'].rolling(12).mean()**# plot the data and MA** import plotly.express as px
fig = px.line(data, x="Date", y=["Passengers", "MA12"], template = 'plotly_dark')
fig.show()

美国航空乘客数据集的时间序列图（移动平均 = 12）

由于算法不能直接处理日期，我们可以从日期中提取一些简单的特征，比如月份和年份，并删除原始日期列。

**# extract month and year from dates**
month = [i.month for i in data['Date']]
year = [i.year for i in data['Date']]**# create a sequence of numbers** data['Series'] = np.arange(1,len(data)+1)**# drop unnecessary columns and re-arrange** data.drop(['Date', 'MA12'], axis=1, inplace=True)
data = data[['Series', 'Year', 'Month', 'Passengers']] **# check the head of the dataset**
data.head()

提取特征后的示例行

**# split data into train-test set** train = data[data['Year'] < 1960]
test = data[data['Year'] >= 1960]**# check shape** train.shape, test.shape
>>> ((132, 4), (12, 4))

我在初始化 setup 之前手动划分了数据集。另一种方法是将整个数据集传递给 PyCaret，让它处理划分，在这种情况下，你需要在 setup 函数中传递 data_split_shuffle = False 以避免在划分前打乱数据集。

???? 初始化设置

现在是初始化 setup 函数的时候了，我们将显式传递训练数据、测试数据和使用 fold_strategy 参数的交叉验证策略。

**# import the regression module**
from pycaret.regression import ***# initialize setup**
s = setup(data = train, test_data = test, target = 'Passengers', fold_strategy = 'timeseries', numeric_features = ['Year', 'Series'], fold = 3, transform_target = True, session_id = 123)

???? 训练和评估所有模型

best = compare_models(sort = 'MAE')

来自 compare_models 的结果

基于交叉验证 MAE 的最佳模型是最小角回归（MAE: 22.3）。让我们检查测试集上的得分。

prediction_holdout = predict_model(best);

来自 predict_model(best) 函数的结果

测试集上的 MAE 比交叉验证的 MAE 高 12%。虽然效果不佳，但我们将继续使用它。让我们绘制实际与预测的线条，以可视化拟合情况。

**# generate predictions on the original dataset**
predictions = predict_model(best, data=data)**# add a date column in the dataset**
predictions['Date'] = pd.date_range(start='1949-01-01', end = '1960-12-01', freq = 'MS')**# line plot**
fig = px.line(predictions, x='Date', y=["Passengers", "Label"], template = 'plotly_dark')**# add a vertical rectange for test-set separation**
fig.add_vrect(x0="1960-01-01", x1="1960-12-01", fillcolor="grey", opacity=0.25, line_width=0)fig.show()

实际与预测的美国航空乘客数（1949–1960）

在最后的灰色背景区域是测试期（即 1960 年）。现在让我们完成模型，即在整个数据集上训练最佳模型，即最小角回归（这次包括测试集）。

final_best = finalize_model(best)

???? 创建一个未来评分数据集

现在我们已经在整个数据集（1949 到 1960 年）上训练了模型，让我们预测未来五年，直到 1964 年。为了使用我们的最终模型生成未来的预测，我们首先需要创建一个包含未来日期的月份、年份、系列列的数据集。

future_dates = pd.date_range(start = '1961-01-01', end = '1965-01-01', freq = 'MS')future_df = pd.DataFrame()future_df['Month'] = [i.month for i in future_dates]
future_df['Year'] = [i.year for i in future_dates]    
future_df['Series'] = np.arange(145,(145+len(future_dates)))future_df.head()

从 future_df 中抽取的样本行

现在，让我们使用future_df进行评分和生成预测。

predictions_future = predict_model(final_best, data=future_df)
predictions_future.head()

从 predictions_future 中抽取的样本行

让我们绘制它。

concat_df = pd.concat([data,predictions_future], axis=0)
concat_df_i = pd.date_range(start='1949-01-01', end = '1965-01-01', freq = 'MS')
concat_df.set_index(concat_df_i, inplace=True)fig = px.line(concat_df, x=concat_df.index, y=["Passengers", "Label"], template = 'plotly_dark')
fig.show()