{"id":63295,"date":"2021-09-22T15:44:25","date_gmt":"2021-09-22T14:44:25","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=63295"},"modified":"2024-09-20T17:45:46","modified_gmt":"2024-09-20T16:45:46","slug":"visual-time-series-forecasting-with-streamlit-prophet","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/es\/blog\/visual-time-series-forecasting-with-streamlit-prophet\/","title":{"rendered":"Previsi\u00f3n visual de series temporales con Streamlit Prophet"},"content":{"rendered":"

<\/span><\/a><\/span>

Lea nuestro art\u00edculo sobre<\/u><\/p>\n<\/div>

<\/span><\/div>

.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Autor<\/h2><\/div>\"Image\"

Maxime Lutel<\/h3><\/div>

Data Cient\u00edfico en Artefact Francia<\/p>\n<\/div><\/div><\/div><\/div><\/div>

\u00bfNecesita una base de referencia para su \u00faltimo proyecto de previsi\u00f3n de series temporales? \u00bfQuiere explicar el proceso de toma de decisiones de un modelo predictivo a un empresario audience? \u00bfLe gustar\u00eda saber si los precios de los coches son estacionales antes de comprar uno nuevo? \u00a1Puede que tengamos algo para usted! Este art\u00edculo presenta Streamlit Prophet, una aplicaci\u00f3n web que ayuda a los cient\u00edficos data a entrenar, evaluar y optimizar los modelos de previsi\u00f3n de forma visual. Las previsiones se realizan con Prophet, un modelo r\u00e1pido y f\u00e1cil de interpretar.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Puede probar la aplicaci\u00f3n en l\u00ednea\u00a0aqu\u00ed<\/a>\u00a0pero puede que no est\u00e9 disponible en todo momento, debido a la limitaci\u00f3n de los recursos inform\u00e1ticos compartidos. Otra opci\u00f3n es instalar el\u00a0paquete python<\/a>\u00a0y ejecutarlo localmente.<\/p>\n<\/div>

\u00bfQu\u00e9 es Streamlit Prophet?<\/h2><\/div>

Streamlit Prophet es un paquete Python a trav\u00e9s del cual puede desplegar una aplicaci\u00f3n para construir modelos de previsi\u00f3n de series temporales\u00a0visualmente<\/strong>\u00a0y\u00a0sin ninguna codificaci\u00f3n<\/strong>. Una vez que haya cargado un dataset con valores hist\u00f3ricos de la se\u00f1al que desea pronosticar, la aplicaci\u00f3n entrena un modelo predictivo en unos pocos clics, junto con varias visualizaciones que le ayudar\u00e1n a evaluar su rendimiento y obtener m\u00e1s informaci\u00f3n.<\/p>\n<\/div>

El modelo subyacente se construye con\u00a0Profeta<\/strong><\/a>, una biblioteca de c\u00f3digo abierto desarrollada por Facebook para pronosticar series temporales data. La se\u00f1al se descompone en varios componentes, como la tendencia, la estacionalidad y los efectos de las vacaciones. El estimador aprende a modelar cada uno de estos bloques por separado y luego suma sus distintas contribuciones para producir una previsi\u00f3n f\u00e1cilmente interpretable. Funciona mejor cuando las series tienen fuertes patrones estacionales y cuando se dispone de varios ciclos de data hist\u00f3ricos. Puede echar un vistazo a este\u00a0hilo<\/a>\u00a0o esto\u00a0art\u00edculo<\/a>\u00a0si desea saber m\u00e1s sobre los fundamentos matem\u00e1ticos de Prophet.
\nLa interfaz se realiza con\u00a0Streamlit<\/strong><\/a>, un marco de trabajo en Python para construir aplicaciones web cient\u00edficas data.<\/p>\n<\/div>

\u00bfCu\u00e1les son las principales caracter\u00edsticas?<\/h2><\/div>

Streamlit Prophet est\u00e1 pensado para ayudar a los cient\u00edficos y analistas empresariales data a ponerse en marcha r\u00e1pidamente en sus proyectos de series temporales. A modo de ilustraci\u00f3n, digamos que nos gustar\u00eda predecir las ventas futuras de bienes de consumo en una tienda concreta, dados los data hist\u00f3ricos que van de 2011 a 2015. Nuestro conjunto data tiene el aspecto de la tabla siguiente.<\/p>\n<\/div>

<\/span><\/div>

Un modelo de referencia con par\u00e1metros por defecto se ajusta en el data en cuanto se carga. Veamos ahora c\u00f3mo podr\u00edamos utilizar Streamlit Prophet para mejorarlo y lograr una mejor comprensi\u00f3n del fen\u00f3meno.<\/p>\n<\/div>

Exploraci\u00f3n Data<\/h3><\/div>

El primer paso en cualquier proyecto de previsi\u00f3n es asegurarse de que el dataset no tiene secretos para usted. Prophet proporciona de forma nativa un bonito\u00a0descomposici\u00f3n de la se\u00f1al\u00a0<\/strong>para ayudarle a alcanzar ese objetivo. La aplicaci\u00f3n dispone de varios gr\u00e1ficos para obtener estos valiosos datos de un vistazo.
\nEl siguiente gr\u00e1fico es un buen punto de partida, ya que ofrece una representaci\u00f3n global de las series temporales cargadas y contiene mucha informaci\u00f3n \u00fatil.<\/p>\n<\/div>

<\/span><\/div>

Los puntos negros son las ventas hist\u00f3ricas reales, que la mayor\u00eda de las veces se sit\u00faan entre 75 y 225 unidades diarias. Se pueden detectar algunos valores at\u00edpicos sin ventas o con vol\u00famenes bajos a finales de cada a\u00f1o, en torno a Navidad, cuando probablemente las tiendas est\u00e9n cerradas. La tendencia se muestra en una l\u00ednea roja para obtener una visi\u00f3n m\u00e1s sint\u00e9tica de la se\u00f1al y visualizar las evoluciones globales. Por \u00faltimo, la l\u00ednea azul representa las previsiones realizadas por un modelo Prophet entrenado autom\u00e1ticamente sobre su conjunto data. Aqu\u00ed podemos ver que el modelo prev\u00e9 un aumento de las ventas en 2016, siguiendo la tendencia creciente iniciada en 2015.<\/p>\n

Estas previsiones parecen ser estacionales, pero es dif\u00edcil distinguir los distintos componentes peri\u00f3dicos en este primer gr\u00e1fico. Comprobemos otra visualizaci\u00f3n para entender c\u00f3mo afectan estos patrones estacionales a la salida del modelo.<\/p>\n<\/div>

<\/span><\/div>

Se han detectado dos periodicidades que aportan datos interesantes sobre los h\u00e1bitos de los consumidores. El ciclo semanal muestra que la mayor\u00eda de la gente compra los fines de semana, durante los cuales las previsiones aumentan en casi 40 unidades al d\u00eda. El gr\u00e1fico tambi\u00e9n sugiere que los productos vendidos tienen una estacionalidad anual, con un ligero aumento de las ventas durante el verano que el resto del a\u00f1o. Estos componentes peri\u00f3dicos y la tendencia global ser\u00e1n luego combinados por el estimador para producir previsiones para d\u00edas futuros.<\/p>\n<\/div>

Evaluaci\u00f3n del rendimiento<\/h3><\/div>

Estos gr\u00e1ficos sintetizan la forma en que Prophet modela el data, pero \u00bfc\u00f3mo podemos asegurarnos de que esta representaci\u00f3n es fiable? Para responder a esta leg\u00edtima pregunta, una secci\u00f3n de la aplicaci\u00f3n est\u00e1 dedicada a evaluar la calidad del modelo. Proporciona r\u00e1pidamente al usuario un rendimiento de previsi\u00f3n de referencia. Para ello, la serie temporal se divide en varias partes: primero se ajusta el modelo en un conjunto de entrenamiento y despu\u00e9s se prueba en un conjunto de validaci\u00f3n. Tambi\u00e9n est\u00e1n disponibles otras opciones como la validaci\u00f3n cruzada para un uso m\u00e1s avanzado.<\/p>\n<\/div>

Se pueden utilizar diferentes m\u00e9tricas para evaluar la calidad del modelo: las m\u00e9tricas absolutas como el error cuadr\u00e1tico medio (RMSE) son \u00fatiles para hacerse una idea de la magnitud de los errores en t\u00e9rminos de n\u00famero de ventas, pero las relativas como el error porcentual medio absoluto (MAPE) pueden ser m\u00e1s interpretables. Depende de usted seleccionar la m\u00e9trica m\u00e1s relevante para su caso de uso.<\/p>\n<\/div>

Sin embargo, es poco probable que el rendimiento sea uniforme en todos los puntos data, por lo que obtener un indicador global no es suficiente. Deber\u00edamos calcular las m\u00e9tricas con una granularidad m\u00e1s detallada para tener una idea clara de la calidad del modelo. Empecemos con un an\u00e1lisis en profundidad a nivel diario, que es la granularidad m\u00e1s baja posible en nuestro caso, ya que el modelo realiza una predicci\u00f3n al d\u00eda.<\/p>\n<\/div>

<\/span><\/div>

Podemos observar una variabilidad importante: hay d\u00edas en los que el error es mayor que 20% mientras que otras previsiones son casi perfectamente precisas. Con esta informaci\u00f3n en mente, probablemente no pueda evitar preguntarse si existen patrones en la forma en que el modelo comete errores. \u00bfExisten algunos d\u00edas en particular en los que podemos esperar un mal rendimiento? Afortunadamente, la aplicaci\u00f3n proporciona unos pr\u00e1cticos gr\u00e1ficos que nos ayudar\u00e1n a satisfacer nuestra curiosidad.<\/p>\n<\/div>

Diagn\u00f3stico de errores<\/h3><\/div>

La secci\u00f3n de diagn\u00f3stico de errores es probablemente la m\u00e1s \u00fatil, ya que le permite destacar las \u00e1reas en las que las previsiones podr\u00edan mejorarse y, de este modo, identificar con mayor precisi\u00f3n los principales retos a los que se enfrentar\u00e1 para construir un modelo de previsi\u00f3n fiable.<\/p>\n

Hay varias visualizaciones disponibles para lograr esa investigaci\u00f3n. Son interactivas, por lo que puede centrarse f\u00e1cilmente en algunas \u00e1reas concretas. Por ejemplo, el gr\u00e1fico de dispersi\u00f3n que aparece a continuaci\u00f3n representa cada previsi\u00f3n realizada sobre el conjunto de validaci\u00f3n mediante un \u00fanico punto, y pasar el rat\u00f3n sobre los que est\u00e1n alejados de la l\u00ednea roja nos ayuda a comprender para qu\u00e9 tipo de puntos data las previsiones est\u00e1n lejos de la verdad.<\/p>\n<\/div>

<\/span><\/div>

En nuestro ejemplo, al pasar el rat\u00f3n por la zona superior derecha se observa que los puntos m\u00e1s alejados de la l\u00ednea roja son los s\u00e1bados y los domingos, lo que sugiere que el modelo rinde mejor durante la semana. Vamos a agregar las m\u00e9tricas de rendimiento por d\u00eda de la semana para validar esta intuici\u00f3n.<\/p>\n<\/div>

<\/span><\/div>

Efectivamente, los errores son mayores por t\u00e9rmino medio los fines de semana que durante el resto de la semana, lo cual es una informaci\u00f3n a tener en cuenta cuando se intente optimizar el modelo. El rendimiento tambi\u00e9n puede evolucionar con el tiempo, por lo que es posible seleccionar otros niveles de agregaci\u00f3n disponibles en la aplicaci\u00f3n para comprobarlo. Por ejemplo, podr\u00edamos calcular las m\u00e9tricas con una granularidad semanal o mensual, o a lo largo de un periodo de tiempo espec\u00edfico durante el cual sospechemos que su rendimiento es distinto del habitual.<\/p>\n<\/div>

Optimizaci\u00f3n de modelos<\/h3><\/div>

Una vez descubiertos los principales puntos d\u00e9biles del modelo, hay varias opciones disponibles para mejorarlo: la barra lateral de la aplicaci\u00f3n le permite editar la configuraci\u00f3n predeterminada e introducir sus propias especificaciones. Todas las m\u00e9tricas de rendimiento y las visualizaciones se actualizan cada vez que cambia la configuraci\u00f3n, con el fin de obtener un feedback r\u00e1pido.<\/p>\n<\/div>

La primera forma de conseguir un mejor rendimiento es aplicar alg\u00fan tratamiento previo personalizado a su dataset. Existen varias alternativas para sortear los retos identificados anteriormente. Por ejemplo, una secci\u00f3n de limpieza nos permite deshacernos de los valores at\u00edpicos observados en torno a la Navidad, que podr\u00edan confundir al modelo. Tambi\u00e9n podr\u00edamos filtrar algunos d\u00edas concretos, y as\u00ed entrenar f\u00e1cilmente modelos distintos para la semana y los fines de semana, ya que parecen estar asociados a comportamientos de compra diferentes. Tambi\u00e9n est\u00e1n disponibles otras opciones de filtrado y remuestreo, en caso de que sean relevantes para el problema que nos ocupa.<\/p>\n<\/div>

Los hiperpar\u00e1metros de Prophet tambi\u00e9n pueden ajustarse para ayudar a que el modelo se ajuste mejor al data. Estos par\u00e1metros influyen en el modo en que el estimador aprende a representar la tendencia y las estacionalidades a partir de las ventas hist\u00f3ricas, y en el peso relativo de estos componentes en la previsi\u00f3n global. No se preocupe si no est\u00e1 familiarizado con los modelos Prophet, algunos tooltips explican la intuici\u00f3n que hay detr\u00e1s de cada par\u00e1metro y le gu\u00edan a trav\u00e9s del proceso de ajuste. En la secci\u00f3n de modelado, tambi\u00e9n puede alimentar el modelo con informaci\u00f3n externa, como d\u00edas festivos o variables relacionadas con la se\u00f1al que se quiere pronosticar (como el precio de venta de los productos, por ejemplo). Es probable que estos regresores mejoren el rendimiento, ya que proporcionan al modelo conocimientos adicionales sobre un fen\u00f3meno que influye en las ventas.<\/p>\n<\/div>

Interpretabilidad de las previsiones<\/h3><\/div>

Disponer de un modelo de predicci\u00f3n preciso est\u00e1 bien, pero poder explicar los principales factores que contribuyen a sus predicciones est\u00e1 a\u00fan mejor. La \u00faltima secci\u00f3n de la aplicaci\u00f3n pretende ayudarnos a comprender c\u00f3mo toma decisiones el modelo que acabamos de construir. Hay diferentes formas de abordar esta cuesti\u00f3n: podemos fijarnos en un \u00fanico componente y ver c\u00f3mo evoluciona su contribuci\u00f3n a las previsiones globales a lo largo del tiempo, o podemos tomar una \u00fanica previsi\u00f3n y descomponerla en la suma de las contribuciones de varios componentes.<\/p>\n<\/div>

Empecemos por la primera opci\u00f3n. Los distintos componentes que influyen en las previsiones son la tendencia, las estacionalidades y los regresores externos. Ya hemos observado el impacto de las estacionalidades semanales y anuales, as\u00ed que centr\u00e9monos en los regresores externos que hemos incluido en la secci\u00f3n de optimizaci\u00f3n del modelo: las vacaciones y el precio de venta de los productos.<\/p>\n<\/div>

<\/span><\/div>

El impacto de algunos d\u00edas festivos es bastante importante: por ejemplo, el D\u00eda del Trabajo aumenta las previsiones en 50 ventas cada a\u00f1o a principios de septiembre, y las ca\u00eddas en Navidad muestran que el modelo ha tenido en cuenta el hecho de que las tiendas cierran ese d\u00eda. En cuanto al precio, ha aumentado a\u00f1o tras a\u00f1o y, por tanto, su impacto en las ventas ha pasado de positivo a negativo.<\/p>\n<\/div>

Tambi\u00e9n puede ser \u00fatil explicar c\u00f3mo el modelo produjo una previsi\u00f3n espec\u00edfica, especialmente cuando un acontecimiento concreto influye en la predicci\u00f3n. El siguiente gr\u00e1fico en cascada muestra esta descomposici\u00f3n para la previsi\u00f3n realizada el 31 de octubre de 2012.<\/p>\n<\/div>

<\/span><\/div>

En este ejemplo, el modelo acab\u00f3 pronosticando 96 ventas, que es la suma de las contribuciones de cinco componentes diferentes:<\/p>\n<\/div>