머신러닝을 이용한 가격 예측 프로젝트 -(Facebook- prophet)

● 시계열 데이터를 분석하고 예측할 수 있다.

● 파이썬 패키지를 활용할 수 있다. Facebook prophet

오늘의 시간은 시계열 데이터를 분석하고 예측하는 시간을 가져보겠습니다.

먼저 시계열 데이터란 시간의 순서대로 축적된 데이터를 의미하고 예를 들어 주식, 재무, 소비자물가 등 과 같이 일상생활의 수 많은 데이터라고 해도 과언이 아니다.

시계열 데이터 중 Kaggle 의 아보카도 과일의 데이터를 예측해보는 주제를 통해 해당 데이터의 분석 및 예측 능력을 키워보자.

먼저 Kaggle에 접속하여 아보카도 데이터를 수집해 온다.

www.kaggle.com/neuromusic/avocado-prices

Avocado Prices

 

해당 파일 다운로드를 통해 파일을 받은 뒤 구글 코랩의 실습환경에서 진행 해 보겠습니다.

import numpy as np 
import pandas as pd 
from fbprophet import Prophet

df = pd.read_csv('/content/drive/MyDrive/colab/머신러닝/data/avocado.csv')

df.head() #4046, 4225 사이즈별 종류 

데이터 분석의 기본인 해당 데이터의 형태 , 유형을 먼저 HEAD를 통해  확인해본다.

이번시간은 시간별 평균 가격을 예측해보도록 하겠습니다.

df.groupby('type').mean()

type 별 가격을 예측해볼텐데 conventional 의 데이터를 샘플링하여 예측해보겠습니다.

df = df.loc[(df.type == 'conventional') & (df.region == 'TotalUS')] ## conventional ,. us 지역만 샘플링

df['Date'] = pd.to_datetime(df['Date'])

data = df[['Date', 'AveragePrice']].reset_index(drop=True)

data = data.rename(columns={'Date': 'ds', 'AveragePrice': 'y'}) #prohpet 사용하기 위해 변수명을 바꿔줌 

data.head()

conventional , US지역으로 데이터를 예측해보도록 하고, data.rename 를통해 prohpet을 사용하기 위한 데이터 전처리가 마무리. 

facebook.github.io/prophet/docs/quick_start.html

Quick Start

data.plot(x='ds', y='y', figsize=(16, 8))

데이터의 그래프를 먼저 그려보도록 하여 추세를 파악한다.

model = Prophet()

model.fit(data)


future = model.make_future_dataframe(periods=365) # 앞으로 365뒤를 예측하겟다

forecast = model.predict(future) # 예측된 데이터를 확인

forecast.tail()

prohpet 을 사용하여 모델링한 후 periods 365일 뒤의 가격 을 예측하는 코드이다. 

패키지를 활용하면 얼마나 간단하게 모델을 구현할 수 있는지를 확인 할 수 있는 순간이다.

 

fig1 = model.plot(forecast) # 검은색 점 아보카도 가격 파란선이 예측 선

실제 예측이 잘되어있는지 확인해 보자. 검은점은 아보카도의 가격이며 파란선은 prohpet 을사용한 예측 선이다.

prohpet은 무엇을 통해 예측했는지도 알아 볼 수 있다.

fig2 = model.plot_components(forecast) # 분석한 근거 월단위로 패턴이 있다.

prohpet은 월단위의 변동성 초점을 맞추었고 이를 통해 모델링을 만들어 간 점을 확인 할 수 있다.