Pythonのstatsmodelsで時系列分析をする - Qiita
これはMYJLab Advent Calendar 2019の14日目の記事です。 こんにちは 宮治研究室に所属する学部3年、サッチーと呼ばれています webとか機械学習は周りのつよつよな方々が書いてくださるので、私は統計っぽいことを書きます 今回は すること Pythonのライブラリであるstatsmodelsを用いて時系列分析の基本であるBox-Jenkins法を用いた分析の一連の流れを実装していきます。 時系列分析はPythonの文献がなぜか少ないのが悲しいので、Pythonで時系列分析入門したい人のお役に立てれば幸いです。 しないこと 長くなってしまうので定常過程や単位根検定の種類等、手法の細かい説明は省きます。あくまでも実装メインで進めていきます。理論部分は有名なlogics of blueさんのものがとても優しくてわかりやすいかと思います。 statsmodelsとは 統計モデ
Pythonで時系列解析・超入門（その3）ARIMA系モデルで予測する方法
自動構築とは、手動手順の流れを自動化したもので、コレログラムを見て次数を検討するのではなくAICなどの評価基準をもとに次数を検討することです。機械的にモデル構築する場合には、自動構築が向いています。 ちなみに、よくあるのは手動構築と自動構築のハイブリッドです。 先ず、自動構築で次数を求め、次に、その次数を参考に手動で次数を検討し決める、という流れや、先ず、階差の次数のみ検討し、次に、その階差の次数以外を自動構築で決める、などなど。 必要なライブラリーのインストール 今回は、ARIMAモデル構築用のライブラリーpmdarimaを利用します。 コマンドプロンプト上で、condaでインストールするときのコードは以下です。 conda install pmdarima pipでインストールするときのコードは以下です。 pip install pmdarima ライブラリーpmdarimaに、時系列
Pythonによるビジネス予測に活かす「状態空間モデル」の基礎と実装例
状態空間モデルは、観測できない状態を時系列データの背後にある要素として捉え、データからその状態を推定する強力なツールです。 今回は、ローカルレベルモデルや季節性を含むモデルなど、具体的なビジネスシナリオを通じて、Pythonを用いた実装例を簡単に解説します。 データの変動要因を正確に捉え、より精度の高い将来予測を実現するための方法を習得しましょう。 状態空間モデルの概要 状態空間モデルとは？ 状態空間モデルは、時系列データを分析する強力なツールです。このモデルは、直接観測できない「状態」が時間とともに変化し、その状態が観測可能なデータに影響を与えると考えます。 ビジネスの文脈で考えてみましょう。例えば、あなたが小売店の経営者だとします。毎日の売上（観測可能なデータ）は、その日の店の魅力（直接観測できない状態）に影響を受けます。この魅力は日々少しずつ変化し、それが売上に反映されると考えられま
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
