Otomasyon ve kaydetme

Python'da ARIMA Modelleri

James Fulton

Climate informatics researcher

Model mertebelerinde arama

import pmdarima as pm

results = pm.auto_arima(df)

Performing stepwise search to minimize aic
 ARIMA(2,0,2)(1,1,1)[12] intercept   : AIC=inf, Time=3.33 sec
 ARIMA(0,0,0)(0,1,0)[12] intercept   : AIC=2648.467, Time=0.062 sec
 ARIMA(1,0,0)(1,1,0)[12] intercept   : AIC=2279.986, Time=1.171 sec

 ...

 ARIMA(3,0,3)(1,1,1)[12] intercept   : AIC=2173.508, Time=12.487 sec
 ARIMA(3,0,3)(0,1,0)[12] intercept   : AIC=2297.305, Time=2.087 sec

Best model:  ARIMA(3,0,3)(1,1,1)[12]
Total fit time: 245.812 seconds

pmdarima sonuçları

print(results.summary())

results.plot_diagnostics()

Mevsimsellik olmayan arama parametreleri

results = pm.auto_arima( df,             # veriler

                         d=0,            # mevsimsellik dışı fark derecesi

                         start_p=1,      # p için başlangıç tahmini
                         start_q=1,      # q için başlangıç tahmini

                         max_p=3,        # denenecek en büyük p
                         max_q=3,        # denenecek en büyük q
                        )

¹ https://www.alkaline-ml.com/pmdarima/modules/generated/pmdarima.arima.auto_arima.html

Mevsimsel arama parametreleri

results = pm.auto_arima( df,             # veriler
                         ... ,          # mevsimsellik olmayan argümanlar 
                         seasonal=True,  # zaman serisi mevsimsel mi

                         m=7,            # mevsimsel periyot

                         D=1,            # mevsimsel fark derecesi

                         start_P=1,      # P için başlangıç tahmini
                         start_Q=1,      # Q için başlangıç tahmini

                         max_P=2,        # denenecek en büyük P
                         max_Q=2,        # denenecek en büyük Q
                        )

Diğer parametreler

results = pm.auto_arima( df,                     # veriler    
                         ... ,                   # model mertebe parametreleri     

                         information_criterion='aic', # en iyi modeli seçmek için

                         trace=True,             # eğitim sırasında çıktı yazdır

                         error_action='ignore',  # çalışmayan mertebeleri yok say

                         stepwise=True,          # akıllı mertebe araması uygula
                       )

Model nesnelerini kaydetme

# İçe aktar
import joblib

# Bir dosya yolu seçin
filepath ='localpath/great_model.pkl'

# Modeli dosya yoluna kaydedin
joblib.dump(model_results_object, filepath)

Model nesnelerini kaydetme

# Bir dosya yolu seçin
filepath ='localpath/great_model.pkl'

# Model nesnesini dosya yolundan yükleyin
model_results_object = joblib.load(filepath)

Modeli güncelleme

# Yeni gözlemler ekleyin ve parametreleri güncelleyin
model_results_object.update(df_new)

Güncelleme karşılaştırması

Hadi pratik yapalım!

Python'da ARIMA Modelleri