ml/ library Learn by doing
ALGORITHM 104 · PYTHON / JAVASCRIPT

Prophet

รวม trend ที่เปลี่ยนช่วง ฤดูกาล และวันพิเศษในโมเดลเดียว

LEARNING LEVEL4
ขั้นสูงควรรู้มาก่อน · Holt-Winters, GAM และ changepoints
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — Prophet สร้าง additive model จาก piecewise trend, Fourier seasonality และ holiday effects พร้อม prior ที่ควบคุมความยืดหยุ่นของ changepoints

ลองนึกภาพว่า — เหมือนแยกยอดขายเป็นทิศทางหลัก จังหวะประจำสัปดาห์ และแรงกระแทกจากวันหยุด

ตัวอย่างการนำไปใช้ — forecast ธุรกิจรายวันหรือรายสัปดาห์ที่มีฤดูกาลและวันพิเศษ

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

Prophet เริ่มจากคำถามง่าย ๆ ว่า รวม trend ที่เปลี่ยนช่วง ฤดูกาล และวันพิเศษในโมเดลเดียว วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนแยกยอดขายเป็นทิศทางหลัก จังหวะประจำสัปดาห์ และแรงกระแทกจากวันหยุด ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

Prophet สร้าง additive model จาก piecewise trend, Fourier seasonality และ holiday effects พร้อม prior ที่ควบคุมความยืดหยุ่นของ changepoints พารามิเตอร์หลักใน Playground คือ ความยืดหยุ่น changepoint เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ ตารางสองคอลัมน์ ds เป็นวันเวลาและ y เป็นค่าตัวเลข · ตัวอย่างขนาดเล็กที่ทำซ้ำได้ เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น forecast ธุรกิจรายวันหรือรายสัปดาห์ที่มีฤดูกาลและวันพิเศษ ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: yhat, uncertainty interval และองค์ประกอบ trend/seasonality · Playground อัปเดตเมื่อปรับ ความยืดหยุ่น changepoint พร้อมจำข้อจำกัดสำคัญว่า ไม่ได้แทนการตรวจ temporal validation และเหตุการณ์หรือฤดูกาลที่เปลี่ยนโครงสร้างอาจทำให้ extrapolation ผิด

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    ตารางสองคอลัมน์ ds เป็นวันเวลาและ y เป็นค่าตัวเลข ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ changepoint_prior_scale เพื่อค่าสูงให้ trend เปลี่ยนความชันได้มากขึ้น และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    วาง candidate changepoints บนช่วงประวัติ จากนั้น fit trend กับ Fourier seasonal terms และ holidays Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    รวมองค์ประกอบและสุ่ม uncertainty ของอนาคต ผลที่ได้คือ yhat, uncertainty interval และองค์ประกอบ trend/seasonality ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ changepoint_prior_scale ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ไม่ได้แทนการตรวจ temporal validation และเหตุการณ์หรือฤดูกาลที่เปลี่ยนโครงสร้างอาจทำให้ extrapolation ผิด

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · featuresy · targetตารางสองคอลัมน์ ds เป็นวันเวลาและ y เป็นค่าตัวเลข · ตัวอย่างขนาดเล็กที่ทำซ้ำได้
CALCULATEProphet
changepoint_prior_scalelearning_ratevalidation
RESULTnumeric predictionyhat, uncertainty interval และองค์ประกอบ trend/seasonality · Playground อัปเดตเมื่อปรับ ความยืดหยุ่น changepoint
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

ตารางสองคอลัมน์ ds เป็นวันเวลาและ y เป็นค่าตัวเลข

ตารางสองคอลัมน์ ds เป็นวันเวลาและ y เป็นค่าตัวเลข · ตัวอย่างขนาดเล็กที่ทำซ้ำได้
PARAMETERS

พารามิเตอร์ที่ใช้

changepoint_prior_scale
ค่าสูงให้ trend เปลี่ยนความชันได้มากขึ้น
learning_rate
ควบคุมขนาดการอัปเดตในแต่ละรอบเมื่อโมเดลเรียนด้วย gradient
validation
กำหนดข้อมูลที่กันไว้เลือกค่าและตรวจการใช้งานกับตัวอย่างใหม่
OUTPUT

ผลลัพธ์ที่ได้

yhat, uncertainty interval และองค์ประกอบ trend/seasonality

yhat, uncertainty interval และองค์ประกอบ trend/seasonality · Playground อัปเดตเมื่อปรับ ความยืดหยุ่น changepoint
CALCULATION

คำนวณทีละขั้น

  1. 01

    วาง candidate changepoints บนช่วงประวัติ

  2. 02

    fit trend กับ Fourier seasonal terms และ holidays

  3. 03

    รวมองค์ประกอบและสุ่ม uncertainty ของอนาคต

ควรรู้อีกนิด — ไม่ได้แทนการตรวจ temporal validation และเหตุการณ์หรือฤดูกาลที่เปลี่ยนโครงสร้างอาจทำให้ extrapolation ผิด

04Make it yours

Python · Prophet
# ติดตั้ง: pip install numpy pandas prophet# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("prophet-sample.csv", delimiter=",", skip_header=1)import pandas as pdfrom prophet import Prophetdf = pd.DataFrame({"ds": pd.date_range("2024-01-01", periods=len(data), freq="D"), "y": data[:,1]})model = Prophet(changepoint_prior_scale=0.05, weekly_seasonality=True, daily_seasonality=False)model.fit(df)future = model.make_future_dataframe(periods=14)print(model.predict(future)[["ds","yhat","yhat_lower","yhat_upper"]].tail(14))

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

changepoint prior ทำให้ trend หักมุมง่ายเพียงใด?

Prophet / ภาพกลไกที่พารามิเตอร์ควบคุม● คำนวณใหม่เมื่อปรับค่า
ค่าสูงให้ trend เปลี่ยนความชันได้มากขึ้น
ดูภาพอย่างไร

เส้น trend แบ่งเป็นท่อนและคลื่นเล็กคือ seasonality ที่บวกเข้าไป

เมื่อเพิ่มค่า

trend ยืดหยุ่นและสร้างจุดเปลี่ยนชัดขึ้น

ลองเปรียบเทียบ

ดู forecast หลังจุดเปลี่ยนและ validation ตามเวลา ไม่เลือกจาก fit ในอดีต

ข้อมูลอดีตและค่าที่โมเดลอธิบายforecast →จุดเริ่มอนาคต
Forecast RMSE proxy0.160
Changepoint prior0.05
พารามิเตอร์ที่ลอง0.05

Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ Prophet จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง