Prophet. El modelo aditivo más usado - Machine Learning - Clase. 9 - Parte 6

Summary

Este video ofrece una introducción detallada al modelo Prophet de Facebook, popular en la predicción de series de tiempo. Se aborda su capacidad para manejar componentes clave como tendencias, estacionalidades y eventos especiales. El modelo permite una gran flexibilidad en la predicción, con la opción de ajustar parámetros y trabajar con series complejas. Se discuten técnicas para escalar Prophet a grandes volúmenes de datos y cómo evitar predicciones erróneas como los valores negativos. Finalmente, se destacan las mejores prácticas para evaluar el modelo y seleccionar métricas adecuadas como el MAPE y el SMAPE.

Takeaways

• 😀 Prophet es un modelo popular y eficaz para series de tiempo, utilizado ampliamente en la práctica profesional, especialmente para pronósticos de ventas.
• 😀 El modelo Prophet se basa en descomponer una serie temporal en tres componentes: tendencia, estacionalidad y efectos de eventos atípicos o feriados.
• 😀 La tendencia en Prophet no es simplemente lineal, sino que puede ajustarse para detectar cambios a lo largo del tiempo, lo cual mejora la precisión del modelo.
• 😀 Los eventos atípicos como Black Friday o Navidad deben ser identificados correctamente, ya que afectan fuertemente las predicciones, y Prophet utiliza distribuciones de probabilidad para modelar su impacto.
• 😀 Es esencial entender el negocio y el contexto de los datos al trabajar con Prophet, ya que los eventos relevantes varían según el sector y deben ser correctamente listados.
• 😀 Prophet ofrece funcionalidades automáticas para optimización de hiperparámetros y validación cruzada, lo que facilita la implementación sin necesidad de escribir código adicional para estos procesos.
• 😀 Para series de tiempo con grandes volúmenes de datos (como supermercados con miles de productos), Prophet puede ser escalado entrenando modelos de manera paralela, lo que permite manejar grandes cantidades de datos de forma eficiente.
• 😀 Prophet puede generar predicciones negativas, lo cual no tiene sentido en el contexto de las ventas. Existen estrategias para asegurarse de que las predicciones sean siempre positivas, como truncar los valores negativos.
• 😀 Aunque Prophet es muy útil para series con fuerte estacionalidad y tendencia, existen modelos más flexibles, como variantes de redes neuronales, que pueden incorporar más variables y mejorar la explicación de los resultados.
• 😀 Al evaluar el rendimiento del modelo, es importante utilizar técnicas como la validación cruzada de series de tiempo, que permite evaluar el modelo sobre distintos períodos y calcular métricas de error adecuadas como MAE o MAPE.
• 😀 Las métricas de error deben ser elegidas cuidadosamente. El MAPE es una métrica común, pero tiene problemas cuando las predicciones se acercan a cero, por lo que se recomienda usar el SMAPE para evitar distorsiones numéricas.

Q & A

¿Qué es Prophet y por qué es tan popular en la predicción de series temporales?

Prophet es un modelo de predicción de series temporales desarrollado por Facebook. Es popular debido a su flexibilidad, facilidad de uso y capacidad para modelar de manera efectiva la tendencia, la estacionalidad y los eventos/feriados, superando las técnicas estadísticas tradicionales.

¿Cuáles son los tres componentes principales que Prophet utiliza para modelar una serie temporal?

Prophet divide la serie temporal en tres componentes principales: 1) la **tendencia**, que modela el comportamiento a largo plazo; 2) la **estacionalidad**, que captura los patrones periódicos como la estacionalidad anual, semanal o diaria; y 3) los **eventos/feriados**, que son fechas especiales que pueden afectar las predicciones.

¿Cómo maneja Prophet los cambios en la tendencia de la serie temporal?

Prophet permite que la tendencia de la serie cambie en puntos específicos llamados **change points**. Estos puntos de cambio pueden ser definidos manualmente o identificados automáticamente por el modelo. Esto permite que Prophet modele tendencias no lineales y segmente diferentes períodos de comportamiento.

¿Qué papel juegan los eventos y feriados en Prophet y cómo deben ser tratados?

Los eventos y feriados pueden tener un gran impacto en las predicciones, por lo que es crucial identificarlos y especificarlos correctamente en el modelo. Prophet utiliza distribuciones de probabilidad para modelar el efecto de estos eventos y debe ser ajustado para capturar correctamente su influencia en la serie temporal.

¿Por qué es importante optimizar los hiperparámetros de Prophet y qué funcionalidades ofrece para hacerlo?

Optimizar los hiperparámetros de Prophet es crucial para mejorar la precisión del modelo. Prophet ofrece herramientas incorporadas para realizar optimización automática de hiperparámetros y validación cruzada, lo que facilita encontrar la configuración más adecuada para el modelo sin necesidad de escribir código adicional.

¿Cómo se puede escalar Prophet cuando se tiene un gran número de series temporales, como en el caso de un supermercado con muchos productos?

Prophet puede escalar entrenando modelos de manera paralela para cada serie temporal individual. Esto se puede hacer utilizando múltiples núcleos de procesamiento o implementando funciones en la nube, lo que permite entrenar modelos en paralelo y luego combinarlos en un modelo global.

¿Qué hacer si Prophet genera predicciones negativas, especialmente en el contexto de ventas o datos que no pueden ser negativos?

Aunque Prophet puede generar predicciones negativas, es importante ajustar estas predicciones ya que valores negativos no tienen sentido en contextos como ventas. Una estrategia común es truncar las predicciones a cero, asegurando que las predicciones sean siempre no negativas.

¿Cuál es la diferencia entre el crecimiento lineal y el crecimiento logístico en Prophet?

El crecimiento lineal implica un aumento constante a lo largo del tiempo, mientras que el crecimiento logístico representa un aumento exponencial que eventualmente se desacelera debido a un punto de saturación. El crecimiento logístico es útil para modelar fenómenos como la propagación de una enfermedad o el crecimiento económico, donde la expansión se ralentiza con el tiempo.

¿Cómo se evalúa un modelo de Prophet en series temporales y qué métodos se utilizan para la validación?

La evaluación de modelos en series temporales se realiza mediante la técnica de **ventana móvil** (rolling windows), donde el modelo se entrena en un conjunto de datos y se prueba en un período futuro. Prophet utiliza validación cruzada de series temporales (Time Series Cross Validation) para evaluar la precisión del modelo en diferentes horizontes de predicción.

¿Qué métricas se utilizan comúnmente para evaluar la precisión de las predicciones en Prophet?

Las métricas comunes para evaluar las predicciones de Prophet incluyen **Error Absoluto Medio (MAE)**, **Error Cuadrático Medio (RMSE)** y **Error Absoluto Porcentual Medio (MAPE)**. En contextos donde las predicciones pueden acercarse a cero, se recomienda usar métricas como el **Error Porcentual Simétrico (SMAPE)** para evitar distorsiones numéricas.