Prognoseergebnisse visualisieren

Nachdem du Modelle per Backtesting definiert und trainiert hast, ist es Zeit, die Ergebnisse zu visualisieren. Visualisierung ist eine schnelle und effektive Möglichkeit, die Modellleistung über die Partitionen hinweg zu beurteilen.

Die DataFrames ts und bkt_df aus den vorherigen Übungen sowie die Bibliothek Plotly wurden bereits für dich geladen. Schauen wir uns an, wie gut unsere Modelle abgeschnitten haben!

Diese Übung ist Teil des Kurses

<Kurs>Forecasting-Pipelines für die Produktion entwerfen</Kurs>

Kurs ansehen

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

partitions_labels = bkt_df["cutoff"].unique()
ts_sub = ts[ts["ds"] > ts["ds"].max() - datetime.timedelta(hours=24 * 7)]

# Create subplots with four rows (one for each partition)
fig = make_subplots(rows=4, cols=1, subplot_titles=["Partitions: " + str(i) for i in partitions_labels])

r = 1  

for i in partitions_labels:
    if r == 1:
        showlegend = True
    else:
        showlegend = False
    bkt_sub = bkt_df[bkt_df["cutoff"] == i]
    # Add actual values to the plot
    fig.append_trace(go.Scatter(x=ts_sub["ds"], y=ts_sub["y"], legendgroup="actual", showlegend=showlegend, 
                                mode='lines', name='Actual', line=dict(color='#023047', width=2)), row=r, col=1)
    # Add k-nearest neighbors predictions
    fig.append_trace(go.Scatter(x=bkt_sub["ds"], y=bkt_sub["knn"], mode='lines', name='k-nearest neighbors', 
                                legendgroup="knn", showlegend=showlegend, line=dict(color='#2a9d8f', width=1.5, dash="dash")), row=r, col=1)
    # Add Multi-layer Perceptron predictions
    fig.append_trace(go.Scatter(x=bkt_sub["ds"], y=bkt_sub["mlp"], mode='lines', name='Multi-layer Perceptron', 
                                legendgroup="mlp", showlegend=showlegend, line=dict(color='#0077b6', width=1.5, dash="dot")), row=r, col=1)
    # Add ElasticNet predictions
    fig.append_trace(go.Scatter(x=bkt_sub["ds"], y=bkt_sub["enet"], mode='lines', name='ElasticNet', 
                                legendgroup="enet", showlegend=showlegend, line=dict(color='#ffc8dd', width=1.5, dash="dot")), row=r, col=1)
    r = r + 1 

fig.update_layout(height=500)
fig.show()

Code bearbeiten und ausführen