Python - Prophet 주식 예측- 3 하이퍼 파라미터 튜닝

파라미터 튜닝을 할때에 값을 여러 옵션을 먼저 지정하지 않고, 최소한의 옵션으로 코드가 잘 수행 되는지 확인 

을 한후, 옵션을 추가해서 파라미터튜닝을 하는게 좋다. 

 

'''파라미터 튜닝 해보자구 ! '''

#귀찮으니까 싹다 임포트

import xgboost as xgb

from xgboost import XGBClassifier

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

from fbprophet.diagnostics import cross_validation

from fbprophet.diagnostics import performance_metrics

from fbprophet.plot import plot_cross_validation_metric

import itertools

def create_param_combinations(**param_dict):

    param_iter = itertools.product(*param_dict.values())

    params =[]

    for param in param_iter:

        params.append(param)

    params_df = pd.DataFrame(params, columns=list(param_dict.keys()))

    return params_df

def single_cv_run(history_df, metrics, param_dict):

    m = Prophet(**param_dict)

    # m.add_country_holidays(country_name='국가') // 주가 데이터는 어차피 휴일은 포함되지 않기때문에 제외 했다. 

    m.fit(history_df)

    df_cv = cross_validation(m, initial='365 days', period='90 days', horizon = '180 days')

    df_p = performance_metrics(df_cv).mean().to_frame().T

    df_p['params'] = str(param_dict)

    df_p = df_p.loc[:, metrics]

    return df_p

 

 

metrics = ['horizon', 'rmse', 'mape', 'params']

results = []

 

#최소한의 파라미터 

parameters = {  

    'changepoint_prior_scale': [0.1,0.3],

    'seasonality_prior_scale': [0.1, 0.3],

    'changepoint_range': [0.1,0.3],

}

 

 

params_df = create_param_combinations(**parameters)

for param in params_df.values:

    param_dict = dict(zip(params_df.keys(), param))

    cv_df = single_cv_run(stockinfo,  metrics, param_dict)

    results.append(cv_df)

results_df = pd.concat(results).reset_index(drop=True)

best_param = results_df.loc[results_df['mape'] == min(results_df['mape']), ['params']]

print(f'\n 파라미터 베스트 조합 {best_param.values[0][0]}')

results_df