時系列予測モデルProphetには多くのパラメータがあります。その中でチューニングすべきもの、すべきでないものを紹介します。
なお、この記事は以下のドキュメントを参考にしています。
PROPHET_Diagnostics_Hyperparameter tuning
チューニングすべきパラメータ
changepoint_prior_scale
トレンドの柔軟性を表すパラメータ。
予測結果に対して最も影響力がある。
デフォルトは0.05。0.001～0.5の範囲でチューニングするのが良い。
seasonality_prior_scale
季節成分の柔軟性を表すパラメータ。
デフォルトは10。0.01～10の範囲でチューニングするのが好ましい。
holidays_prior_scale
休日成分の柔軟性を表すパラメータ。
seasonality_prior_scaleと同様にデフォルトは10で、0.01～10の範囲でチューニングすると良い。
seasonality_mode
加法モデル（additive）と乗法モデル（multiplicative）を選択できる。
デフォルトは加法モデル（additive）。
チューニングすべきでないパラメータ
changepoint_range
トレンド変化点の候補の幅。
デフォルトは0.8。
これは、時系列の最後20%のトレンド変化にモデルがフィットしないことを意味する。
多くの場合、調整しない方が良いが、調整する場合は0.8～0.95の範囲でチューニングすると良い。
growth
線形（linear）とロジスティック（logistic）から選択する。
デフォルトは線形（linear）。
changepoints
トレンド変化点の座標を手動で入力する場合のためのパラメータ。
デフォルトはNone。
n_changepoints
自動で位置されるトレンド変化点の数。
デフォルトは25。
トレンド変化点の数を増減させるより、changepoint_prior_scaleを変化させた方が良い。
yearly_seasonality
年次の季節変動の有無。
デフォルトはauto。
ハイパラチューニング中には、このパラメータよりseasonality_prior_scaleを用いて季節効果を調節すると良い。
weekly_seasonality
週次の季節変動の有無。
daily_seasonality
日次の季節変動の有無。
holidays
休日のリスト。
デフォルトはNone。
mcmc_samples
MCMC法のサンプル数。
デフォルトは0。
interval_width
不確実性の幅。
デフォルトは0.8。
幅が変化しても予測結果yhatは変化しないため、チューニングの必要はない。
uncertainty_samples
不確実性の幅を計算する際のサンプル数。
デフォルトは1000。
