Prophetの詳細

まとめ

この章は Prophet を「使える」から「中身を説明できる」段階へ進めるための 3 ページです。最初のページで pip install prophet から fit・predict・plot_components までの基本フローを実データで動かし、2 ページ目で区分線形トレンドの変化点検出とフーリエ級数による季節性の推定アルゴリズムを式とコードで追います。3 ページ目では changepoint_prior_scale（既定 0.05）や seasonality_mode（additive / multiplicative）などの主要パラメータを動かし、予測線と区間がどう変わるかを比べます。読み終えると、Prophet の予測がどこで曲がり、なぜその幅の区間になるかを成分ごとに説明できるようになります。

直感 #

Prophet は観測値を「トレンド + 季節性 + 休日効果」に分解して足し合わせる加法モデルで、ds と y の 2 列を渡せば既定値のまま予測が出ます。ただし既定値はあらゆるデータに合うわけではなく、たとえば売上が水準に比例して季節の振幅も大きくなる系列では seasonality_mode="multiplicative" にしないと季節の山が小さすぎる予測になります。また変化点の候補は既定で学習期間の前 80% に 25 個置かれ、その柔らかさを changepoint_prior_scale が決めるため、急な方針転換が多いデータでは 0.05 のままだとトレンドが鈍くなります。中身を知っておくと、こうした調整の「なぜ」が分かります。

詳細な解説 #

このチャプターで学べること #

Prophetのインストールから学習・予測・成分プロットまでの基本フロー
トレンドの変化点検出や季節性フーリエ項など、モデル内部のアルゴリズム
changepoint_prior_scale・seasonality_modeなど主要パラメーターの役割と調整方法

これがわかるとできること #

実データでProphetを動かし、成分分解から予測結果までをひととおり出力できる
モデルがどこでトレンドの変化を捉えているかを確認・調整できる
パラメーターチューニングで予測精度を改善できる

学習の進め方 #

まず Prophet の基本で、実データを Prophet().fit() に渡し make_future_dataframe と predict、plot_components で予測図と成分図を出します。次にアルゴリズムで、区分線形トレンド \(g(t)\) の変化点とフーリエ級数で表した季節性 \(s(t)\) が forecast の trend 列と yearly 列にどう現れるかを式とコードで確かめます。最後にパラメータ調整で changepoint_prior_scale と seasonality_prior_scale を既定値から動かし、予測線のしなやかさと区間の幅がどう変わるかを比べます。