Descriere clasă¶
clasaARIMAX
(data, formula, ar, ma, integ, target, family)¶
Modeluri de variabilă exogenă cu medie mobilă integrată autoregresivă (ARIMAX).
Parameter | Type | Description |
---|---|---|
data | pd.DataFrame sau np.ndarray | Conține seria temporală univariată |
formula | șir | Notația Patsy care specifică regresia |
ar | int | The numărul de decalaje autoregresive |
ma | int | Numărul de decalaje ale mediei mobile |
integ | int | Câte ori să se diferențieze datele (implicit: 0) |
target | string sau int | Ce coloană din DataFrame/array se utilizează. |
family | instanțăpf.Family | Distribuția pentru seria temporală, de exemplu pf.Normal() |
Attributes
latent_variables
¶
A pf.LatentVariables() obiect care conține informații despre variabilele latente ale modelului, setări anterioare. orice valori ajustate, valori inițiale și alte informații despre variabilele latente. Atunci când un model este ajustat, acesta este locul în care variabilele latente sunt actualizate/stocate.Vă rugăm să consultați documentația privind variabilele latente pentru informații privind atributele din cadrul acestui obiect, precum și metodele de accesare a informațiilor despre variabilele latente.
Methods
adjust_prior
(index, prior)¶
Ajustează prioritățile pentru variabilele latente ale modelului. Variabilele latente și indicii lor pot fi vizualizate prin imprimarea atributului latent_variables
atașat instanței modelului.
Parameter | Type | Description |
---|---|---|
index | int | Indexul variabilei latente care se modifică |
prior | pf.Instanța familiei | Distribuția anterioară, de exemplu pf.Normal() |
Returnează: void – modifică modelul latent_variables
atribut
fit
(method, **kwargs)¶
Estimează variabilele latente pentru model. Utilizatorul alege o opțiune de inferență și metoda returnează un obiect de rezultate, precum și actualizarea latent_variables
atributului latent_variables
modelului.
Parameter | Type | Description |
---|---|---|
method | str | Opțiune de inferență: e.g. ‘M-H’ sau ‘MLE’ |
Vezi secțiunile Inferență Bayesiană și Inferență Clasică din documentație pentru lista completă a opțiunilor de inferență. Pot fi introduși parametri opționali care sunt relevanți pentru modul particular de inferență ales.
Returnează: instanța pf.Results cu informații pentru variabilele latente estimate
plot_fit
(**kwargs)¶
Plotează ajustarea modelului în raport cu datele. Argumentele opționale includ figsize,dimensiunile figurii de trasat.
Returns : void – afișează un matplotlib plot
plot_ppc
(T, nsims)¶
Plotează o histogramă pentru o verificare predictivă posterioară cu o măsură de discrepanță aleasă de utilizator. Această metodă funcționează numai dacă ați ajustat folosind inferența Bayesiană.
Parameter | Type | Description |
---|---|---|
T | function | Discrepancy, de ex. np.mean sau np.max |
nsims | int | Câte simulări pentru PPC |
Întoarce: void – afișează un matplotlib plot
plot_predict
(h, oos_data, past_values, intervals, **kwargs)¶
Plotează predicțiile modelului, împreună cu intervalele.
Parametru | Tip | Descriere | |
---|---|---|---|
h | int | Câți pași de prognoză în avans | |
oos_data | pd.DataFrame | Variabile exogene într-un cadru pentru h pași | |
past_values | int | Câte puncte de date anterioare to plot | |
intervals | boolean | Whether to plot intervals or not |
Pentru a fi clar, argumentul oos_data ar trebui să fie un DataFrame în același format ca și initialdataframe utilizat pentru a inițializa instanța modelului. Motivul este că pentru a prezice valori viitoare,trebuie să specificați ipoteze despre variabilele exogene pentru viitor. De exemplu, dacăprevedeți h pași înainte, metoda va lua primele h rânduri din oos_data și va lua valorile pentru variabilele exogene pe care le-ați cerut în formula patsy.
Argumentele opționale includ figsize – dimensiunile figurii de trasat. Vă rugăm să rețineți că, dacă folosiți Maximum de verosimilitate sau Inferența variațională, intervalele afișate nu vor reflecta incertitudinea variabilei latente. Numai Metropolis-Hastings vă va oferi intervale de predicție complet bayesiene. Intervalele bayesiene cu inferență variațională nu sunt afișate din cauza limitării inferenței de câmp mediu de a nu ține cont de corelațiile posterioare.
Returns : void – arată un grafic matplotlib
plot_predict_is
(h, fit_once, fit_method, **kwargs)¶
Plotează predicțiile de rulare în eșantion pentru model. Acest lucru înseamnă că utilizatorul pretinde că o ultimă subsecțiune de date este în afara eșantionului, iar previziunile după fiecare perioadă și evaluează cât de bine s-au descurcat. Utilizatorul poate alege dacă să ajusteze parametrii o dată la început sau la fiecare pas de timp.
Parameter | Type | Description |
---|---|---|
h | int | Câte timestep-uri anterioare se utilizează |
fit_once | boolean | Dacă se potrivește o singură dată, sau la fiecare pas de timp |
fit_method | str | Ce opțiune de inferență, e.g. ‘MLE’ |
Argumentele opționale includ figsize – dimensiunile figurii de trasat. h este un int al numărului de pași anteriori pe baza cărora se simulează performanța.
Returnează : void – arată un matplotlib plot
plot_sample
(nsims, plot_data=True)¶
Plotează eșantioane din densitatea predictivă posterioară a modelului. Această metodă funcționează numai dacă ați ajustat modelul folosind inferența Bayesiană.
Parametru | Tip | Descriere | |
---|---|---|---|
nsims | int | Cât de multe samples to draw | |
plot_data | boolean | Whether to plot the real data as well |
Returns : void – afișează un grafic matplotlib plot
plot_z
(indices, figsize)¶
Întoarce un grafic al variabilelor latente și al incertitudinii asociate acestora.
Parametru | Tip | Descriere |
---|---|---|
indici | int sau listă | Care indicii variabilei latente se trasează |
figsize | tuplu | Dimensiunea figurii matplotlib |
Întoarce : void – arată o figură matplotlib plot
ppc
(T, nsims)¶
Întoarce o valoare p pentru o verificare predictivă posterioară. Această metodă funcționează numai dacă ați ajustat folosind inferența Bayesiană.
Parametru | Tip | Descriere | |
---|---|---|---|
T | funcție | Discrepanță, de ex. np.mean sau np.max |
|
nsims | int | Câte simulări pentru PPC |
Întoarce: int – valoarea p pentru testul de discrepanță
predict
(h, oos_data, intervals=False)¶
Întoarce un DataFrame de predicții ale modelului.
Parameter | Type | Description |
---|---|---|
h | int | Câți pași de prognoză în avans |
oos_data | pd.DataFrame | Variabile exogene într-un cadru pentru h pași |
intervals | boolean | Dacă se returnează intervale de predicție |
Pentru a fi clar, argumentul oos_data trebuie să fie un DataFrame în același format ca și initialdataframe folosit pentru a inițializa instanța modelului. Motivul este că pentru a prezice valori viitoare,trebuie să specificați ipoteze despre variabilele exogene pentru viitor. De exemplu, dacă preziceți h pași înainte, metoda va lua primele 5 rânduri din oos_data și va lua valorile pentru variabilele exogene pe care le-ați specificat ca variabile exogene în formula patsy.
Rețineți că, dacă folosiți maximum de verosimilitate sau inferența variațională, intervalele afișate nu vor reflecta incertitudinea variabilelor latente. Numai Metropolis-Hastings vă va oferi intervale de predicție complet Bayesiene. Intervalele Bayesiene cu inferența variațională nu sunt afișate din cauza limitării inferenței de câmp mediu de a nu ține cont de corelațiile posterioare.
Returnează : pd.DataFrame – predicțiile modelului
predict_is
(h, fit_once, fit_method)¶
Returnează DataFrame de predicții de rulare în eșantion pentru model.
Parameter | Type | Description |
---|---|---|
h | int | Câte timestep-uri anterioare se utilizează |
fit_once | boolean | Dacă se potrivește o singură dată, sau la fiecare pas de timp |
fit_method | str | Ce opțiune de inferență, e.g. ‘MLE’ |
Întoarce : pd.DataFrame – predicțiile modelului
sample
(nsims)¶
Întoarce np.ndarray de extrageri ale datelor din densitatea predictivă posterioară. Această metodă funcționează numai dacă ați ajustat modelul folosind inferența Bayesiană.
Parametru | Tip | Descriere |
---|---|---|
nsims | int | Câte extrageri posterioare se vor face |
Întoarce : np.ndarray – eșantioane din densitatea predictivă posterioară.
.