Implementasi Facebook Prophet – Part 5

Forecasting

Untuk melakukan forecasting, kita perlu membuat future dataframe.

future = m.make_future_dataframe(periods = test_days,
                                 freq = 'D')
future = pd.concat([future, df.iloc[:, 2:]],
                   axis = 1)

Kemudian untuk melakukan forecasting digunakan perintah predict.

forecast = m.predict(future)

Setelah forecast dilakukan, kita akan ambil hasilnya yang akan digunakan untuk accuracy assesment

predictions = forecast.yhat[-test_days:]

#Accuracy assessment
from sklearn.metrics import mean_squared_error, mean_absolute_error
print(mean_absolute_error(test.y, predictions))
print(np.sqrt(mean_squared_error(test.y, predictions)))

184.5327309354843
236.18722269520234

Dari assessment diatas, sulit untuk menentukan apakah baik atau tidak. Oleh karena itu kita akan belajar konsep cross validation pada modul terpisah.

Visualization

Namun sebelum membahas cross validation, kita akan pelajari salah satu fitur penting dari Facebook Prophet yaitu visualization.

Pertama kita akan visualisasi dari forecasting.

m.plot(forecast);

Selain itu kita juga bisa melakukan visualisasi masing-masing komponen seperti trend, holidays dan lainnya.

m.plot_components(forecast);

Sampai disini kita sudah belajar membuat visualisasi. Pada modul selanjutnya kita akan mempelajar konsep cross validation.