プロダクト担当者とデータサイエンティストで Prophet を使って EC サービスの注文額を予測する - Pepabo Tech Portal
技術部データ基盤チームのデータサイエンティストの @zaimy です。今回は、ハンドメイド作品を対象とする EC サービスである minne の注文額を、プロダクト担当者とデータサイエンティストで Prophet を使って予測した事例を、主に運用面から紹介します。 結論ファースト 背景 時系列予測を行うモデルの選択 特徴量の選択と工夫 モデリングの結果とビジネス的な成果 モデルの監視と継続的な改善 まとめと今後について 結論ファースト 月ごとの注文額を実績に対して誤差 1% 程度で予測できるようになりました。 背景 これまで minne では、経営計画に基づく年間の注文額の目標があり、それを過去実績に基づいて月割りにし、そこから日数で日割りにする…という流れで計算された、日ごとの注文額の目標を立てていました。 この目標値が予測値として使われているシーンもありましたが、当然、目標値は直近の実
「Prophet」とは――Facebook製時系列予測OSSは何が便利なのか
機械学習の中でも古典的なテーマの一つである「時系列予測（時系列解析、時系列分析）」においては、昔からある「AR（Auto Regression：自己回帰）」モデルから最先端のディープラーニングを用いた「LSTM」（Long Short-Term Memory）までさまざまなアルゴリズムが存在しています。 それらの中でも近年注目を集めているのが、Facebookが開発した時系列予測のオープンソースソフトウェア（OSS）ライブラリ「Prophet」です。Python実装、R実装が公開されています。 本連載ではProphetの概要と理論的背景、案件で使ってみた経験から得られた知見を紹介します。「そもそもProphetとは何か」「他の手法との差異は何か」「チューニングのテクニック」「運用で気を付けるべき点」などを紹介しながら、Prophetへの理解を深めることを目的に、2回の連載を予定しています。
将来予測で用いられるライブラリ「Prophet」 | スキルアップAI Journal
こんにちは。スキルアップAIの橋本です。 本ブログでは、AIを利用した時系列解析、特に将来予測でよく用いられているライブラリである「Prophet」について解説します。 近年、将来予測の定番となっているProphetですが、ライブラリによる実装方法に関する情報は簡単に入手できます。一方で、Prophetの理論的な部分についてはあまり知られていないため、本ブログでは理論部分を重点的に取り上げたいと思います。 時系列解析（分析）とは｜概要やメリット、モデル、進め方、事例を紹介 1.Prophetの概要 まず初めに、Prophetの基本情報をまとめます。 Prophetは2017年にFacebookのCore Data Science teamによって開発された時系列解析用のライブラリです。PythonとRの両方でライブラリが提供されています。 また、このProphetは、将来予測のタスクにおい
「時系列分析」にはグーグルやフェイスブックが考案した最新手法がお薦め
ビジネスでデータサイエンスを活用するシーンとして、過去データを使って将来を予測するタイプの問題がある。商品販売数や店舗売上高など、折れ線グラフを使って表現するようなデータ（時系列データ）に基づいた時系列分析だ。過去の販売データに基づいて翌月の発注量を決めたり、3年後など中長期の計画を策定したりするのに使う。今回は、この時系列分析に活用しやすい3つのアルゴリズムを見ていこう。 Prophet
時系列モデル(ARIMA/Prophet/NNなど)を統一的なAPIで扱えるPythonライブラリ「Darts」がかなり便利 - フリーランチ食べたい
時系列モデルを扱う上でデファクトスタンダードになりそうなPythonライブラリが出てきました。 時系列モデルを扱うPythonライブラリは、 scikit-learn のようなデファクトスタンダードなものがありません。そのため時系列モデルを用いて実装を行うためには、様々なライブラリのAPIなどの仕様を理解しつつ、それに合わせてデータ整形を行い、評価する必要があり、これはなかなか辛い作業でした。 スイスの企業 Unit8 が今年(2020年)6月末に公開した Darts はまさにこういった課題を解決するライブラリです。時系列に関する様々なモデルを scikit-learn ベースのAPIで統一的に扱うことができます。 github.com Darts は現在、下記のモデルに対応しています。内側では statsmodels 、 Prophet(stan) 、 Pytorch などを使っていて、
あいみょんや髭男がいつからブレイクしたのか、Prophetで時系列分析する – Synapse Diary
Prophetの勉強のために、いろいろ分析ネタを探しているのですが、今日は変化点の抽出です。 テーマは、あいみょんやOfficial髭男dismがいつ頃からブレイクしたのか、Prophetの変化点抽出の機能で可視化したいと思います。 前半部分は、前回の記事と同じコードを使っています。 花粉症が増えているのか、ProphetでGoogleトレンドを分析した まずはGoogleトレンドのデータを抽出あいみょんとOfficial髭男dismを、Googleトレンドで検索した結果がこちらです。 グラフでぱっと見た感じだと、あいみょんは2018年初め、Official髭男dismは2019年の半ばぐらいからでしょうか。 あいみょんを分析トレンドに分解すると、こんな感じです。ここで見ても、2018年で上がり始め、2019年を過ぎたころにピークを迎え、今は少し落ち着いてます。 で、今回のメインである変化
Prophetのモデル式を1から理解する - BASEプロダクトチームブログ
この記事はBASE Advent Calendar 2019の20日目の記事です。 devblog.thebase.in DataStrategyの岡が担当します。 Prophet is 何？ ProphetはFacebook社製の時系列予測ライブラリです。RとPythonから利用でき下記gitで公開されています。 https://github.com/facebook/prophet 分析者仲間の間で「時系列予測ならまずこれを使っとけ」と言われるくらい高精度らしいのですが、私自身がイマイチ理論を把握してない & ググってもさらっとした解説の日本語ドキュメントしかない印象です。 Prophetの元となる論文は下記にて公開されています。 https://peerj.com/preprints/3190.pdf 冒頭だけ読むと、時系列分析の知見のない人でもドメイン知識を組み込みながら予測ができ
Prophetを動かす環境を作るためのDockerfile - Qiita
タイトルの通り。 facebook社による機械学習ライブラリであるprophetを使う環境を構築するのに何故だか手こずってしまったので、Dockerfileを書いてみました。 FROM ubuntu:16.04 RUN apt-get -y update RUN apt-get -y install python3 RUN apt-get -y install python3-pip RUN apt-get -y install python3-tk RUN pip3 install --upgrade pip RUN pip3 install pystan RUN pip3 install fbprophet それだけ。 なお、Prophetについてはこちらを参照してください。 https://facebook.github.io/prophet/ また、Dockerそのもののインストー
時系列解析ライブラリProphet 公式ドキュメント翻訳3（クイックスタート編） - Qiita
Facebookが公開している時系列解析用のライブラリProphetの公式ドキュメントを翻訳していきます。 目次 1.Prophet公式ドキュメント翻訳（概要＆特徴編) 2.Prophet公式ドキュメント翻訳（インストール編) 3.Prophet公式ドキュメント翻訳（クイックスタート編） 4.Prophet公式ドキュメント翻訳（飽和状態の予測編） 5.Prophet公式ドキュメント翻訳（トレンドの変化点編） 6.Prophet公式ドキュメント翻訳（周期性・イベント効果・説明変数の追加編） 7.Prophet公式ドキュメント翻訳（増加し続ける周期性編） 8.Prophet公式ドキュメント翻訳（誤差の間隔編） 9.Prophet公式ドキュメント翻訳（外れ値編） 10.Prophet公式ドキュメント翻訳（1日単位ではないデータ編） 11.Prophet公式ドキュメント翻訳（モデルの診断編）] 1
Prophetを使って、30分でコウメ太夫の努力の結果をビジュアライズする。 - Qiita
私はコウメ太夫が比較的好きだ。 彼に遭った最初で最後の機会は、まだ私が小学生の頃。 ショッピングモールで"徒然なるままに書き散らしたコウメ日記"に興じる彼に出会った。 その時のネタは今でも覚えている。 「(チャンチャヵ チャン×2 チャチャンヵ チャン×2)×2 最近目が悪いので。 コンタクトにしてみたら。 自分の頭が禿げてる事を知りました。 チクショウ。」 子供ながらに思った。 「消え去る日は近い」と。 私の直感的予測は当たり、2年もしないまま彼は芸能界の表舞台から姿を消した。 そこから時は流れること十数年、Twitterで不死鳥の如く復活を遂げる彼を目撃した。 彼は2016年3月、何を思ったかチクショーネタを毎日つぶやく、 "#まいにちチクショー"キャンペーンを始動させた。 最初のtweetのいいね数はわずか160台と、始まりは静かだったが、 時間が経つに連れて下記のようなフォロワーが
【新人教育資料】時系列予測をprophet(Python)でやってみる第１章 〜インストールから簡単な予測編〜 - Qiita
あらすじ 最近は日本にいなかったり、インタビューや講演ばっかり受けてて、Qiitaサボリ気味でしたが、少しずつ再開しようと思ってます。 社内の技術イベントでLTしたものをかいつまんで記事をアップしたいと思います。 細かい事は特に気にせず、非エンジニアでもサクッと出来るレベルなので、やってみてください。 ※後々、リクエストに応じて更新することが多いのでストックしておくことをおすすめします。 自分は某社でCTOをしていますが、頭でっかちに理論ばっかり学習するよりは、イメージがなんとなく掴めるように学習し、実践の中で知識を深めていく方が効率的に学習出来ると考えています。 未経験者の教育についてインタビューされた記事もあるので紹介しておきます。ご興味ある方は御覧ください。 エンジニアは「即戦力」より理念に共感した「未経験者」を育てるほうが費用対効果が高い。 教育スタイルとしては正しい事をきっちりか
Prophetを用いた時系列解析によるビットコイン価格予測 - Qiita
この記事は、Life is Tech ! Advent Calendar 2017 23日目の記事です。 はじめに こんにちは、メディアアート"っぽい"ことをやっているシオンです。 いつもは高専にて回路やプログラミングを学んでいます。 何を書くか色々迷ったのですがなにかと最近話題なビットコインで一攫千金を狙いたいと思います。 本記事について ビットコインってそもそも何？という方はこちらの記事がわかりやすいです。 仮想通貨「Bitcoin」とは一体何か、どういう仕組みかが一発で分かるまとめ いわゆる仮想(デジタル)な通貨ということですがあくまで通貨なので現実のように為替があります。 つまり、安いときに買って高いときに売ればその差が利益になるわけです。 試しにある日のチャートを見てみましょう。 一番安いときで2041293円、高いときで2406356円です。 一番安いときに買って、高いときに売
あまりに暑いので、ごく簡単に Prophet の分析の質を向上させる方法を書いた - Qiita
概要 Prophet は「高度な専門知識を持たなくとも簡単に」時系列予測モデルを作成できるようにする、というコンセプトで作成されました。実際、Prophet は伝統的な周期・トレンド・ノイズ成分の分解に構造変化の要素を加えただけのシンプルなモデルを扱いますが、様々な時系列に柔軟に対応でき、かつ非常に手軽に使用できます。 しかし、あとほんの少しだけ時系列分析に関する知識があれば、Prophetを使ったデータ分析のクオリティを一層向上させられます。例えば以下2つの記事は、Prophet を使って時系列分析をしています。 @haltaro さんの あまりに暑いので，140年分の気温をProphetで分析した @HotAllure さんの 「あまりに暑いので，140年分の気温をProphetで分析した」かったが、先を越されていたので掘り下げてみた どちらも興味深い記事ですが、時系列分析をする際の定
「あまりに暑いので，140年分の気温をProphetで分析した」を掘り下げてみた -考察編- - Qiita
概要とおさらい 東洋経済ONLINEの記事(東京の夏が｢昔より断然暑い｣決定的な裏づけ-過去140年の日別平均気温をビジュアル化) を受けて、気象庁HPにある140年気温のデータを用いた時系列分析をしようと思いました。しかし、 @haltaro さん あまりに暑いので，140年分の気温をProphetで分析した という投稿で一歩早く分析がされていたので、 「あまりに暑いので，140年分の気温をProphetで分析した」かったが、先を越されていたので掘り下げてみた という記事を書きました。本投稿は、その続編になります。 詳しくは上記の2記事を参照ください。 簡単に復習をすると、時系列フィッティングの結果、 東京の平均気温は長い目で見れば上昇傾向だが、ここ数年は低下傾向にあった 最高気温はここ数年上昇傾向、最低気温は低下傾向にあった 最高気温と最低気温の傾向が混ざり、最終的に平均気温は減少傾向
「あまりに暑いので，140年分の気温をProphetで分析した」かったが、先を越されていたので掘り下げてみた - Qiita
「あまりに暑いので，140年分の気温をProphetで分析した」かったが、先を越されていたので掘り下げてみたPython時系列prophet はじめに 関連リンク一覧： ・大元ネタ 東京の夏が｢昔より断然暑い｣決定的な裏づけ-過去140年の日別平均気温をビジュアル化 - 東洋経済ONLINE ・元記事 @haltaro さん あまりに暑いので，140年分の気温をProphetで分析した ・時系列分析とProphetがより詳細に述べられているページ @s_katagiri さん あまりに暑いので、ごく簡単に Prophet の分析の質を向上させる方法を書いた @s_katagiri さんによる更に詳細な時系列分析のお話(外部サイト) [R] fb Prophet の解剖で学ぶベイズ時系列モデリング - ill-identified diary ・Prophet ホームページ Prophet
Facebookの時系列予測ライブラリProphetを使って株価予測をやってみた - hongo's blog
ブログかなりご無沙汰になってました。 今回は、今年2月にFacebookから公開された時系列予測のためのPythonライブラリProphetを使って、株価データの時系列予測をやってみようと思います。 【環境】 Python 3.6.1(anaconda3-4.4.0) Mac 10.12.4 ※ コードはJupyter環境で書いています Prophet https://github.com/facebookincubator/prophet まずはpipでProphetをインストールしましょう。 $ pip install fbprophet ここでもし以下のようなのエラーが発生したら、 pipでPyStanをinstallしてからProphetをインストールしてください。 Command “python setup.py egg_info” failed with error code
Quick Start
Python API Prophet follows the sklearn model API. We create an instance of the Prophet class and then call its fit and predict methods. The input to Prophet is always a dataframe with two columns: ds and y. The ds (datestamp) column should be of a format expected by Pandas, ideally YYYY-MM-DD for a date or YYYY-MM-DD HH:MM:SS for a timestamp. The y column must be numeric, and represents the measur
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
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
Pythonの「Prophet」ライブラリで株価予測をしてみよう
あまりに暑いのでProphetで140年分の気温を分析した
AIで日経平均を予言！？2018年末に26,000円（Prophetで楽々予測）｜エンジェル投資入門
