AIC ve BIC

Python'da ARIMA Modelleri

James Fulton

Climate informatics researcher

AIC - Akaike bilgi ölçütü

Daha düşük AIC daha iyi model demektir
AIC, daha düşük dereceli basit modelleri seçme eğilimindedir

BIC - Bayesyen bilgi ölçütü

AIC'ye çok benzer
Daha düşük BIC daha iyi model demektir
BIC, daha düşük dereceli basit modelleri seçme eğilimindedir

AIC ve BIC karşılaştırması

BIC, AIC'den daha basit modelleri tercih eder
AIC, öngörücü modelleri seçmede daha iyidir
BIC, açıklayıcı modelleri seçmede daha iyidir

statsmodels'da AIC ve BIC

# Model oluştur
model = ARIMA(df, order=(1,0,1))

# Modeli uydur
results = model.fit()

# Uyum özetini yazdır
print(results.summary())

                            Statespace Model Results                           
==============================================================================
Dep. Variable:                      y   No. Observations:                 1000
Model:               SARIMAX(2, 0, 0)   Log Likelihood               -1399.704
Date:                Fri, 10 May 2019   AIC                           2805.407
Time:                        01:06:11   BIC                           2820.131
Sample:                    01-01-2013   HQIC                          2811.003
                         - 09-27-2015                                         
Covariance Type:                  opg

statsmodels'da AIC ve BIC

# Model oluştur
model = ARIMA(df, order=(1,0,1))

# Modeli uydur
results = model.fit()

# AIC ve BIC'i yazdır
print('AIC:', results.aic)
print('BIC:', results.bic)

AIC: 2806.36 
BIC: 2821.09

AIC ve BIC üzerinde arama

# AR derecesi üzerinde dolaş
for p in range(3):
    # MA derecesi üzerinde dolaş
    for q in range(3):

        # Modeli uydur
        model = ARIMA(df, order=(p,0,q))
        results = model.fit()

        # Model derecesini ve AIC/BIC değerlerini yazdır
        print(p, q, results.aic, results.bic)

0 0 2900.13 2905.04
0 1 2828.70 2838.52
0 2 2806.69 2821.42
1 0 2810.25 2820.06
1 1 2806.37 2821.09
1 2 2807.52 2827.15
...

AIC ve BIC üzerinde arama

order_aic_bic =[]
# AR derecesi üzerinde dolaş
for p in range(3):
    # MA derecesi üzerinde dolaş
    for q in range(3):

        # Modeli uydur
        model = ARIMA(df, order=(p,0,q))
        results = model.fit()

        # Derece ve skorları listeye ekle
        order_aic_bic.append((p, q, results.aic, results.bic))

# Model derece ve AIC/BIC skorlarının DataFrame'ini oluştur
order_df = pd.DataFrame(order_aic_bic, columns=['p','q', 'aic', 'bic'])

AIC ve BIC üzerinde arama

# AIC'ye göre sırala
print(order_df.sort_values('aic'))

   p  q      aic      bic
7  2  1  2804.54  2824.17
6  2  0  2805.41  2820.13
4  1  1  2806.37  2821.09
2  0  2  2806.69  2821.42
...

# BIC'ye göre sırala
print(order_df.sort_values('bic'))

   p  q      aic      bic
3  1  0  2810.25  2820.06
6  2  0  2805.41  2820.13
4  1  1  2806.37  2821.09
2  0  2  2806.69  2821.42
...

Durağan olmayan model dereceleri

# Modeli uydur
model = ARIMA(df, order=(2,0,1))
results = model.fit()

ValueError: `enforce_stationarity` True iken
durağan olmayan başlangıç otoregresif parametreleri bulundu.

Bazı dereceler çalışmadığında

# AR derecesi üzerinde dolaş
for p in range(3):
    # MA derecesi üzerinde dolaş
    for q in range(3):


        # Modeli uydur
        model = ARIMA(df, order=(p,0,q))
        results = model.fit()

        # Model derecesi ve AIC/BIC değerlerini yazdır
        print(p, q, results.aic, results.bic)

Bazı dereceler çalışmadığında

# AR derecesi üzerinde dolaş
for p in range(3):
    # MA derecesi üzerinde dolaş
    for q in range(3):

        try:
            # Modeli uydur
            model = ARIMA(df, order=(p,0,q))
            results = model.fit()

            # Model derecesi ve AIC/BIC değerlerini yazdır
            print(p, q, results.aic, results.bic)

        except:
            # Başarısız olursa AIC ve BIC'i None yazdır
            print(p, q, None, None)

Hadi pratik yapalım!

Python'da ARIMA Modelleri