Изменили выходные параметры в fitted.forecast в Python — как его теперь использовать в моем случае?

Question

[MasterCopipaster]

Доброе время суток, занимался тут изучением одной статьи по мат анализу ( заголовок для поиска "Out-of-Time cross-validation" )
И наткнулся на проблему: похоже что статья написана 3 года назад, и за это время разработчики пакета что то поменяли в функции fitted.forecast судя по коду приведеному на сайте там должно возвращатся 3 перемеенных fc, se, conf однако я получаю список чисел. По итогу я не могу воспроизвести пример из статьи, и самое больное что найти как это поченить я тоже не могу. Может кто ни буть сталкивался с этим подскажите как исправить?

Полный код для восрпоизведения:

import matplotlib.pyplot as plt
import pandas as pd
import statsmodels.api as sm
from statsmodels.graphics.tsaplots import plot_predict
from statsmodels.tsa.arima.model import ARIMA


df = pd.read_csv("https://hands-on.cloud/wp-content/uploads/2022/02/catfish_sales_1986_2001.csv")
train = df.Total[:130]
test = df.Total[130:]
#  Build Model
model = ARIMA(train, order=(1, 1, 1))
fitted = model.fit()
# Forecast using 95% confidence interval
fc, se, conf = fitted.forecast(39, alpha=0.05)
# Make as pandas series
fc_series = pd.Series(fc, index=test.index)
lower_series = pd.Series(conf[:, 0], index=test.index)
upper_series = pd.Series(conf[:, 1], index=test.index)
# Plot
plt.figure(figsize=(12,5), dpi=100)
plt.plot(train, label='training')
plt.plot(test, label='actual')
plt.plot(fc_series, label='forecast')
plt.fill_between(lower_series.index, lower_series, upper_series, color='k', alpha=.15)
plt.title('Forecast vs Actuals')
plt.legend(loc='upper left', fontsize=8)
plt.show()

получаю ошибку:

fc, se, conf = fitted.forecast(39, alpha=0.05)
ValueError: too many values to unpack (expected 3)

Хотя ожидается что результатом работы должен стать вот такой график:

Comments

[Максим Припадчев]

Поправить, api что бы все заработало не проблема, но вот графика такого не выдаст да и я если честно слабо себе представляю, такая маленькая временная последовательность, а должна предсказывать на 39 шагов вперед, Слишком уж далеко. При чем обрати внимание, что оно тебе выдает если ты используешь метод forecast он тебе вернет series с прогнозами. Закомментруй все что касается интервалов уверенности убери стандартную ошибку. То есть оставь вот так, fc = model.forecast(39, alpha=0.05) и глянь на него сначала он пытается прогнозировать, а потом выдает одинаковые результаты, а интервалы, стандартные ошибки, есть объекты где они содержаться атрибутами да и все, api это вообще не проблема, я две строчки поменял и все заработало. Но прогноза, как на графике он не делает, по этому я и не стал публиковать ответом. Как по мне качество статьи оставляет желать лучшего да и все.

Answer 1

[Максим Припадчев]

В общем ради интереса, получил модель как на графике в статье. Из тех данных что у вас есть.
1. Модель имеет тренировочный сет 130 плюс предполагает предсказание на 39 дней то есть конечное количество это 169. В коде же об этом не слова и он берет его до конца временной последовательности
2. Задана неправильная вариация параметра order. Что бы его задавать правильно требуется понимание.
3. По мелочи поправили остальное.
4. Самое главное, практическая ценность данной модели близка к нулю. Он предсказывает средние значения и как мы видим он "зацепил" ТРЕНД, кстати его параметром конечно же автор статьи тоже не указал, но я поправил.

В общем хотели рабочий код, который из данного датасета строит и визуализирует авторегрессивную модель то вот.

df = pd.read_csv("https://hands-on.cloud/wp-content/uploads/2022/02/catfish_sales_1986_2001.csv")
train = df.Total[:130]
test = df.Total[130:170]

model = ARIMA(train, order=(1, 0, 0),trend='ct').fit()
   

fc = model.get_forecast(39, alpha=0.05) 

fc_series = pd.Series(fc.predicted_mean, index=test.index)
lower_series = pd.Series(fc.conf_int().iloc[:, 0], index=test.index)
upper_series = pd.Series(fc.conf_int().iloc[:, 1], index=test.index)

plt.figure(figsize=(12,5), dpi=100)
plt.plot(train, label='training')
plt.plot(test, label='actual')
plt.plot(fc_series, label='forecast')
plt.fill_between(lower_series.index, lower_series, upper_series, color='k', alpha=.15)
plt.title('Forecast vs Actuals')
plt.legend(loc='upper left', fontsize=8)
plt.show()

Answer 2

[Алан Гибизов]

Вот описание метода forecast и он действительно возвращает array_like объект.
Видимо, он при правильном применении с правильными данными должен вернуть многомерный объект, скажем три вектора или что-то в таком роде. И эти три вектора или массива, видимо, должны лечь в ваши три переменных.

Но если метод применяется не к тем данным, которые формируют именно три вектора, то и результат не тот получается.
Garbage in - garbage out.

Comments

[MasterCopipaster]

Дак вот в этом и прикол, я их применяю к данным указаным по ссылке в примере.
Соответственно они правильные...

[Алан Гибизов]

MasterCopipaster, соответственно они ДОЛЖНЫ быть правильные.
Сам я не могу проследить и осмыслить все шаги, которые приводят к проблеме, недостаточно квалификации в статистике и аналитике. По-идее, надо:
Прочесть API документацию в части, касающейся, начиная с того объекта, который импортируется, и вниз до forecast. Понять, где что должно быть на входе, что должно быть на выходе. Там в доке есть примеры, все их попробовать и осмыслить.
Затем понять, какие именно данные должны быть на входе, чтобы получить правильный выход. Попробовать подобрать ченьть, чтоб работало. Может, что-то синтетическое.
Ну и попробовать найти исходного автора, ваш код бродит из статьи в статью, не уверен, что приведенная статья исходная; при копировании из статьи в статью могли где-то что-то забыть/накосячить/улучшить…