15 KiB

Raw Permalink Blame History Unescape Escape

Destek Vektör Regresörü ile Zaman Serisi Tahmini

Önceki derste, ARIMA modelini kullanarak zaman serisi tahminleri yapmayı öğrendiniz. Şimdi, sürekli verileri tahmin etmek için kullanılan bir regresör modeli olan Destek Vektör Regresörü modeline bakacağız.

Ders Öncesi Testi

Giriş

Bu derste, regresyon için SVM: Support Vector Machine veya SVR: Destek Vektör Regresörü ile model oluşturmanın özel bir yolunu keşfedeceksiniz.

Zaman Serisi Bağlamında SVR ¹

SVR'nin zaman serisi tahminindeki önemini anlamadan önce bilmeniz gereken bazı önemli kavramlar şunlardır:

Regresyon: Sürekli değerleri verilen bir dizi girdiden tahmin etmek için kullanılan denetimli öğrenme tekniği. Amaç, özellik uzayında maksimum veri noktası sayısına sahip bir eğri (veya çizgi) oluşturmaktır. Daha fazla bilgi için buraya tıklayın.
Destek Vektör Makinesi (SVM): Sınıflandırma, regresyon ve aykırı değer tespiti için kullanılan bir tür denetimli makine öğrenimi modeli. Model, özellik uzayında bir hiper düzlemdir; sınıflandırma durumunda bir sınır olarak, regresyon durumunda ise en iyi uyum çizgisi olarak işlev görür. SVM'de, genellikle veri setini daha yüksek boyutlu bir uzaya dönüştürmek için bir Çekirdek fonksiyonu kullanılır, böylece veriler kolayca ayrılabilir hale gelir. SVM'ler hakkında daha fazla bilgi için buraya tıklayın.
Destek Vektör Regresörü (SVR): SVM'nin bir türü olup, maksimum veri noktası sayısına sahip en iyi uyum çizgisini (SVM durumunda bir hiper düzlem) bulmayı amaçlar.

Neden SVR? ¹

Son derste, zaman serisi verilerini tahmin etmek için çok başarılı bir istatistiksel doğrusal yöntem olan ARIMA'yı öğrendiniz. Ancak, birçok durumda zaman serisi verileri doğrusal olmayan özelliklere sahiptir ve bu doğrusal modellerle haritalanamaz. Bu gibi durumlarda, SVM'nin regresyon görevlerinde verilerdeki doğrusal olmayanlığı dikkate alma yeteneği, SVR'yi zaman serisi tahmininde başarılı kılar.

Egzersiz - SVR modeli oluşturma

Veri hazırlama için ilk birkaç adım, ARIMA hakkındaki önceki derste olduğu ile aynıdır.

Bu dersteki /working klasörünü açın ve notebook.ipynb dosyasını bulun.²

Notebook'u çalıştırın ve gerekli kütüphaneleri içe aktarın: ²

import sys
sys.path.append('../../')

import os
import warnings
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import datetime as dt
import math

from sklearn.svm import SVR
from sklearn.preprocessing import MinMaxScaler
from common.utils import load_data, mape

/data/energy.csv dosyasından verileri bir Pandas veri çerçevesine yükleyin ve göz atın: ²
```
energy = load_data('../../data')[['load']]
```

Ocak 2012'den Aralık 2014'e kadar mevcut tüm enerji verilerini görselleştirin: ²

energy.plot(y='load', subplots=True, figsize=(15, 8), fontsize=12)
plt.xlabel('timestamp', fontsize=12)
plt.ylabel('load', fontsize=12)
plt.show()

Şimdi SVR modelimizi oluşturalım.

Eğitim ve test veri setlerini oluşturma

Artık verileriniz yüklendiğine göre, bunları eğitim ve test setlerine ayırabilirsiniz. Daha sonra SVR için gerekli olan zaman adımı tabanlı bir veri seti oluşturmak için verileri yeniden şekillendireceksiniz. Modelinizi eğitim setinde eğiteceksiniz. Model eğitimi tamamlandıktan sonra, modelin doğruluğunu eğitim setinde, test setinde ve ardından genel performansı görmek için tam veri setinde değerlendireceksiniz. Test setinin, modelin gelecekteki zaman dilimlerinden bilgi edinmesini engellemek için eğitim setinden daha sonraki bir dönemi kapsadığından emin olmanız gerekir ² (bu duruma Aşırı Uyum denir).

Eğitim seti için 1 Eylül - 31 Ekim 2014 arasındaki iki aylık dönemi ayırın. Test seti, 1 Kasım - 31 Aralık 2014 arasındaki iki aylık dönemi içerecektir: ²
```
train_start_dt = '2014-11-01 00:00:00'
test_start_dt = '2014-12-30 00:00:00'
```

Farkları görselleştirin: ²

energy[(energy.index < test_start_dt) & (energy.index >= train_start_dt)][['load']].rename(columns={'load':'train'}) \
    .join(energy[test_start_dt:][['load']].rename(columns={'load':'test'}), how='outer') \
    .plot(y=['train', 'test'], figsize=(15, 8), fontsize=12)
plt.xlabel('timestamp', fontsize=12)
plt.ylabel('load', fontsize=12)
plt.show()

Eğitim için verileri hazırlama

Şimdi, verilerinizi filtreleme ve ölçeklendirme işlemleri yaparak eğitime hazırlamanız gerekiyor. Veri setinizi yalnızca ihtiyaç duyduğunuz zaman dilimlerini ve sütunları içerecek şekilde filtreleyin ve verilerin 0,1 aralığında projeksiyonunu sağlamak için ölçeklendirme yapın.

Orijinal veri setini yalnızca belirtilen zaman dilimlerini ve yalnızca gerekli 'load' sütunu ile tarihi içerecek şekilde filtreleyin: ²

train = energy.copy()[(energy.index >= train_start_dt) & (energy.index < test_start_dt)][['load']]
test = energy.copy()[energy.index >= test_start_dt][['load']]

print('Training data shape: ', train.shape)
print('Test data shape: ', test.shape)

Training data shape:  (1416, 1)
Test data shape:  (48, 1)

Eğitim verilerini (0, 1) aralığında ölçeklendirin: ²

scaler = MinMaxScaler()
train['load'] = scaler.fit_transform(train)

Şimdi test verilerini ölçeklendirin: ²
```
test['load'] = scaler.transform(test)
```

Zaman adımları ile veri oluşturma ¹

SVR için, giriş verilerini [batch, timesteps] formuna dönüştürürsünüz. Bu nedenle, mevcut train_data ve test_data verilerini yeniden şekillendirerek zaman adımlarını ifade eden yeni bir boyut oluşturursunuz.

# Converting to numpy arrays
train_data = train.values
test_data = test.values

Bu örnek için timesteps = 5 alıyoruz. Yani, modelin girdileri ilk 4 zaman adımının verileri olacak ve çıktı 5. zaman adımının verileri olacaktır.

timesteps=5

Eğitim verilerini iç içe liste anlayışı kullanarak 2D tensöre dönüştürme:

train_data_timesteps=np.array([[j for j in train_data[i:i+timesteps]] for i in range(0,len(train_data)-timesteps+1)])[:,:,0]
train_data_timesteps.shape

(1412, 5)

Test verilerini 2D tensöre dönüştürme:

test_data_timesteps=np.array([[j for j in test_data[i:i+timesteps]] for i in range(0,len(test_data)-timesteps+1)])[:,:,0]
test_data_timesteps.shape

(44, 5)

Eğitim ve test verilerinden giriş ve çıkışları seçme:

x_train, y_train = train_data_timesteps[:,:timesteps-1],train_data_timesteps[:,[timesteps-1]]
x_test, y_test = test_data_timesteps[:,:timesteps-1],test_data_timesteps[:,[timesteps-1]]

print(x_train.shape, y_train.shape)
print(x_test.shape, y_test.shape)

(1412, 4) (1412, 1)
(44, 4) (44, 1)

SVR'yi Uygulama ¹

Şimdi SVR'yi uygulama zamanı. Bu uygulama hakkında daha fazla bilgi için bu dokümantasyona başvurabilirsiniz. Uygulamamız için şu adımları takip ediyoruz:

SVR() çağırarak ve model hiperparametrelerini (kernel, gamma, c ve epsilon) geçirerek modeli tanımlayın
fit() fonksiyonunu çağırarak modeli eğitim verilerine hazırlayın
predict() fonksiyonunu çağırarak tahminler yapın

Şimdi bir SVR modeli oluşturuyoruz. Burada RBF kernel kullanıyoruz ve hiperparametreleri gamma, C ve epsilon'u sırasıyla 0.5, 10 ve 0.05 olarak ayarlıyoruz.

model = SVR(kernel='rbf',gamma=0.5, C=10, epsilon = 0.05)

Modeli eğitim verileri üzerinde eğitme ¹

model.fit(x_train, y_train[:,0])

SVR(C=10, cache_size=200, coef0=0.0, degree=3, epsilon=0.05, gamma=0.5,
    kernel='rbf', max_iter=-1, shrinking=True, tol=0.001, verbose=False)

Model tahminleri yapma ¹

y_train_pred = model.predict(x_train).reshape(-1,1)
y_test_pred = model.predict(x_test).reshape(-1,1)

print(y_train_pred.shape, y_test_pred.shape)

(1412, 1) (44, 1)

SVR'nizi oluşturdunuz! Şimdi bunu değerlendirmemiz gerekiyor.

Modelinizi Değerlendirin ¹

Değerlendirme için, önce verileri orijinal ölçeğimize geri ölçeklendireceğiz. Ardından, performansı kontrol etmek için orijinal ve tahmin edilen zaman serisi grafiğini çizeceğiz ve ayrıca MAPE sonucunu yazdıracağız.

Tahmin edilen ve orijinal çıktıyı ölçeklendirin:

# Scaling the predictions
y_train_pred = scaler.inverse_transform(y_train_pred)
y_test_pred = scaler.inverse_transform(y_test_pred)

print(len(y_train_pred), len(y_test_pred))

# Scaling the original values
y_train = scaler.inverse_transform(y_train)
y_test = scaler.inverse_transform(y_test)

print(len(y_train), len(y_test))

Eğitim ve test verilerinde model performansını kontrol edin ¹

Grafiğimizin x ekseninde göstermek için veri setinden zaman damgalarını çıkarıyoruz. İlk timesteps-1 değerlerini ilk çıktı için giriş olarak kullandığımızı unutmayın, bu nedenle çıktının zaman damgaları bundan sonra başlayacaktır.

train_timestamps = energy[(energy.index < test_start_dt) & (energy.index >= train_start_dt)].index[timesteps-1:]
test_timestamps = energy[test_start_dt:].index[timesteps-1:]

print(len(train_timestamps), len(test_timestamps))

1412 44

Eğitim verileri için tahminleri çizin:

plt.figure(figsize=(25,6))
plt.plot(train_timestamps, y_train, color = 'red', linewidth=2.0, alpha = 0.6)
plt.plot(train_timestamps, y_train_pred, color = 'blue', linewidth=0.8)
plt.legend(['Actual','Predicted'])
plt.xlabel('Timestamp')
plt.title("Training data prediction")
plt.show()

Eğitim verileri için MAPE'yi yazdırın

print('MAPE for training data: ', mape(y_train_pred, y_train)*100, '%')

MAPE for training data: 1.7195710200875551 %

Test verileri için tahminleri çizin

plt.figure(figsize=(10,3))
plt.plot(test_timestamps, y_test, color = 'red', linewidth=2.0, alpha = 0.6)
plt.plot(test_timestamps, y_test_pred, color = 'blue', linewidth=0.8)
plt.legend(['Actual','Predicted'])
plt.xlabel('Timestamp')
plt.show()

Test verileri için MAPE'yi yazdırın

print('MAPE for testing data: ', mape(y_test_pred, y_test)*100, '%')

MAPE for testing data:  1.2623790187854018 %

🏆 Test veri setinde çok iyi bir sonuç elde ettiniz!

Tam veri setinde model performansını kontrol edin ¹

# Extracting load values as numpy array
data = energy.copy().values

# Scaling
data = scaler.transform(data)

# Transforming to 2D tensor as per model input requirement
data_timesteps=np.array([[j for j in data[i:i+timesteps]] for i in range(0,len(data)-timesteps+1)])[:,:,0]
print("Tensor shape: ", data_timesteps.shape)

# Selecting inputs and outputs from data
X, Y = data_timesteps[:,:timesteps-1],data_timesteps[:,[timesteps-1]]
print("X shape: ", X.shape,"\nY shape: ", Y.shape)

Tensor shape:  (26300, 5)
X shape:  (26300, 4) 
Y shape:  (26300, 1)

# Make model predictions
Y_pred = model.predict(X).reshape(-1,1)

# Inverse scale and reshape
Y_pred = scaler.inverse_transform(Y_pred)
Y = scaler.inverse_transform(Y)

plt.figure(figsize=(30,8))
plt.plot(Y, color = 'red', linewidth=2.0, alpha = 0.6)
plt.plot(Y_pred, color = 'blue', linewidth=0.8)
plt.legend(['Actual','Predicted'])
plt.xlabel('Timestamp')
plt.show()

print('MAPE: ', mape(Y_pred, Y)*100, '%')

MAPE:  2.0572089029888656 %

🏆 Çok güzel grafikler, iyi bir doğruluğa sahip bir modeli gösteriyor. Tebrikler!

🚀Meydan Okuma

Modeli oluştururken hiperparametreleri (gamma, C, epsilon) değiştirin ve test verilerinde hangi hiperparametre setinin en iyi sonuçları verdiğini değerlendirin. Bu hiperparametreler hakkında daha fazla bilgi için buradaki dokümantasyona başvurabilirsiniz.
Model için farklı çekirdek fonksiyonları kullanmayı deneyin ve veri setindeki performanslarını analiz edin. Yardımcı bir dokümantasyon burada bulunabilir.
Modelin tahmin yapması için timesteps için farklı değerler kullanmayı deneyin.

Ders Sonrası Testi

Gözden Geçirme ve Kendi Kendine Çalışma

Bu ders, SVR'nin Zaman Serisi Tahmini için uygulanmasını tanıtmayı amaçladı. SVR hakkında daha fazla bilgi için bu bloga başvurabilirsiniz. Bu scikit-learn dokümantasyonu, genel olarak SVM'ler, SVR'ler ve ayrıca kullanılabilecek farklı çekirdek fonksiyonları gibi diğer uygulama detayları hakkında daha kapsamlı bir açıklama sağlar.

Ödev

Yeni bir SVR modeli

Katkılar

Feragatname:
Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluğu sağlamak için çaba göstersek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz.

Bu bölümdeki metin, kod ve çıktı @AnirbanMukherjeeXD tarafından katkıda bulunulmuştur. ↩︎
Bu bölümdeki metin, kod ve çıktı ARIMA dosyasından alınmıştır. ↩︎

15 KiB Raw Permalink Blame History Unescape Escape