Hola !!! Lo podes encontrar en mi repositorio: github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%2010.1.Introducció%20a%20Modelos_Arima.ipynb Si podes compartir.., Saludos 💪
Hola!, estoy realizando el programa y me arroja error en: lower_series = pd.Series(conf[:, 0], test.index) upper_series = pd.Series(conf[:, 1], test.index) KeyError: 'key of type tuple not found and not a MultiIndex'
Una pregunta, en caso de haber detectado que hay que realizar una diferenciación, cuando cuando se crea el modelo ARIMA o SARIMA, la entrada son los datos originales o los diferenciados?
Hola Naren, estoy haciendo una replica de su modelo, pero tengo un problema. Cuando quiero graficar el plot_predict me sale un error de que eso no está definido. Ya he actualizado las librerías y el error continua.
Hola !!! Hay muchas formas que puedes hacer: 1. Transformar la variable objetivo, ya sea que la normalices o la estandarices. 2. Si usas modelo arima, seleccionar cuidadosamente los términos del modelo... Acá puede usar autoArima para este caso. 3. Agregar variables exógenas al modelo, sino tienes variables exógenas puedes agregar lags o promedios móviles, que puedas usarlas como exógenas. 4. Cambiar de modelo, puede usar modelos de machine learning y repetir los pasos 1,2 y 3 en caso que siga bajo la métrica. 5. Puede ser que el los datos no den más de lo que le estés pidiendo. 6. Siempre es bueno comparar diferentes modelos. 7. Puedes usar otra métrica, quizás el r2 no sea la mejor métrica para evaluar esos datos que estás usando. 8. Comparte el vídeo... Saludos!!! 💪💪💪
hola, veo que al final del video esta el tema de automatizar el mdelo sarima, al final solo muestras la funcion auto para arima, me interesa saber si puedo hacer lo mismo con sarima
En este caso no es necesario, solo debes de tener dos datos el periodo y la variable, en caso q no tengas el periodo lo puedes suponer q sea anual. Acá no es como R, que debes de transformar los datos con la. Función ts, es decir, convertir los datos en formato de serie de tiempo.
Hola. Al aplicar el codigo, me arroja el error "fit() got an unexpected keyword argument 'disp'". Luego de ver tu explicación de lo que indica disp no me queda muy claro si en este caso python esta automatizando la eleccion del mejor disp o porque tengo ese error
Hola, creo que hay un pequeño error cuando graficas el PACF para la segunda diferenciación, el código solo tiene un diff(), y debería tener dos diff().diff(), ya que estamos trabajando con dos diferenciaciones
@@ignaciocerna6197 él hace df.value para llamar los valores de dicho campo y lo puede hacer asi porque el campo de su df se llama así: value. Es decir, es lo mismo que hacer df['value']. Si a ti te da error es posible que el campo de tu df no se llame igual (tenga otro nombre) por lo que para que te funcione debes llamarlo como df.nombre o df['nombre]. Ojo, también tienes que ver como llamaste a tu dataframe. Si lo llamaste de otra forma debes reemplazar el df por el nombre que le colocaste
hola, una duda, en que parte le dices al algortimo que periodicidad debe tener? lo explicas al inicio pero no la veo definida en las variables, es p=12? anual?
Por favor Naren espero que me puedas ayudar ,llevo desde el lunes guiándome en tu ejercicio para poder hacer mi deber y sigo cabezona con eso, no me corre. Por favor ayúdame
Buen video, pero al igual que Jairo que te comento antes creo que hay un pequeño error cuando graficas el PACF para la segunda diferenciación, el código solo tiene un diff(), y debería tener dos diff().diff(), ya que estamos trabajando con dos diferenciaciones
cometes un clásico error en el minuto 11, si el pvalor es mayor a 0.05 simplemente no se rechaza que sea no estacionaria, es sútil de hecho en la gaussiana está bien escrito cuando defines la region de rechazo y de no rechazo. Es muy complejo de explicarlo en un comentario corto pero te recomendaría revisar ese tema para que no se difundan estos errores de estadística (no son tan graves)
Excellent contenido!!!
Esto es lo que buscaba... Muy bueno
El contenido más claro y mejor explicado que he podido encontrar sobre series de tiempo.
Gracias!!! Compártelo si puedes
Muy bien explicado!!! Felicitaciones!!!
Hola, excelente contenido. Crees que puedas compartir el Jupyter?
Hola !!!
Lo podes encontrar en mi repositorio:
github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%2010.1.Introducció%20a%20Modelos_Arima.ipynb
Si podes compartir.., Saludos 💪
Hola me encanto tu tutorial :)
Muy puntual .
Gracias por el aporte.
Este codigo ya no sirve
fc, se, conf = fitted4.forecast(15, alpha=0.05) # 95% conf
Sale error dice que ya esta desactualzado
Acá está la actualización:
th-cam.com/video/HJ8yYAOcymg/w-d-xo.html
Hola Naren, te felicito por el canal, está todo muy bien explicado, es posible que compartas la notebook del ejercicio?
Hola!, estoy realizando el programa y me arroja error en:
lower_series = pd.Series(conf[:, 0], test.index)
upper_series = pd.Series(conf[:, 1], test.index)
KeyError: 'key of type tuple not found and not a MultiIndex'
Una pregunta, en caso de haber detectado que hay que realizar una diferenciación, cuando cuando se crea el modelo ARIMA o SARIMA, la entrada son los datos originales o los diferenciados?
Originales....lo diferenciados se usa para determinar los términos que llevará tu modelo.
Hola Naren, estoy haciendo una replica de su modelo, pero tengo un problema. Cuando quiero graficar el plot_predict me sale un error de que eso no está definido. Ya he actualizado las librerías y el error continua.
si tengo un r2 tan bajo, como podria hacer para subir
Hola !!!
Hay muchas formas que puedes hacer:
1. Transformar la variable objetivo, ya sea que la normalices o la estandarices.
2. Si usas modelo arima, seleccionar cuidadosamente los términos del modelo... Acá puede usar autoArima para este caso.
3. Agregar variables exógenas al modelo, sino tienes variables exógenas puedes agregar lags o promedios móviles, que puedas usarlas como exógenas.
4. Cambiar de modelo, puede usar modelos de machine learning y repetir los pasos 1,2 y 3 en caso que siga bajo la métrica.
5. Puede ser que el los datos no den más de lo que le estés pidiendo.
6. Siempre es bueno comparar diferentes modelos.
7. Puedes usar otra métrica, quizás el r2 no sea la mejor métrica para evaluar esos datos que estás usando.
8. Comparte el vídeo... Saludos!!! 💪💪💪
hola, veo que al final del video esta el tema de automatizar el mdelo sarima, al final solo muestras la funcion auto para arima, me interesa saber si puedo hacer lo mismo con sarima
En este caso no es necesario, solo debes de tener dos datos el periodo y la variable, en caso q no tengas el periodo lo puedes suponer q sea anual. Acá no es como R, que debes de transformar los datos con la. Función ts, es decir, convertir los datos en formato de serie de tiempo.
Si claro que puedes hacerlo. Recuerda que para el modelo sarima necesita (pdq) x(PDQ) que es la parte estacional para el modelo.
Hola. Al aplicar el codigo, me arroja el error "fit() got an unexpected keyword argument 'disp'". Luego de ver tu explicación de lo que indica disp no me queda muy claro si en este caso python esta automatizando la eleccion del mejor disp o porque tengo ese error
Puedes eliminar ese parámetro de fit, la nueva actualización del algoritmo no la trae incluida
Podés revisar este video, ahí aplicó también el mismo modelo con dos librerías... th-cam.com/video/vJ6F5pO5uIY/w-d-xo.html
Hola, creo que hay un pequeño error cuando graficas el PACF para la segunda diferenciación, el código solo tiene un diff(), y debería tener dos diff().diff(), ya que estamos trabajando con dos diferenciaciones
Hola estoy de acuerdo contigo el PACF debe tener dos diff(), trabajamos con la segunda diferenciación
Naren te agradezco por el video, hay posibilidad de tener el notebook que estas utilizando?? De antemano mil gracias y una felicitación
En mi Github puedes encontralo
Buen video, tengo una duda y es que a mi me arroja el siguiente error " 'DataFrame' object has no attribute 'value' "
En que parte te arroja eso, haciendo que cosa?
En la primera aplicación cuando va acompañado de .dropna() y en los gráficos que le siguen
Aunque quitando value me arroja algo, no se si está bien, pq no usamos los mismos datos
@@ignaciocerna6197 él hace df.value para llamar los valores de dicho campo y lo puede hacer asi porque el campo de su df se llama así: value. Es decir, es lo mismo que hacer df['value']. Si a ti te da error es posible que el campo de tu df no se llame igual (tenga otro nombre) por lo que para que te funcione debes llamarlo como df.nombre o df['nombre]. Ojo, también tienes que ver como llamaste a tu dataframe. Si lo llamaste de otra forma debes reemplazar el df por el nombre que le colocaste
Hola Naren, excelente explicación, puedes compartir el set de datos para prueba? Muchas gracias
Hola Francisco aqui está la data www.machinelearningplus.com/time-series/arima-model-time-series-forecasting-python/
@@fritzsierratintaya4911 Muchas gracias
Hola cómo importas los datos por favor??
Pues con pandas
Import pandas as pd
df=pd.read_csv("escribir el path del dataset.csv")
df.head()
Y asi le lees los datos
hola, una duda, en que parte le dices al algortimo que periodicidad debe tener? lo explicas al inicio pero no la veo definida en las variables, es p=12? anual?
Por favor Naren espero que me puedas ayudar ,llevo desde el lunes guiándome en tu ejercicio para poder hacer mi deber y sigo cabezona con eso, no me corre. Por favor ayúdame
Hola, excelente video! podrías compartir el notebook por favor?
En mi Github puedes encontrarlo, si puedes comparte y si pasá por el Github me dejas una start ⭐
Hola ,podrías compartir el notebook?
Puedes compartir el Notebook?
Hola lo puedes encontrar en mi repositorio... Saludos 💪
Hola lo puedes encontrar en mi repositorio... Saludos 💪💪
Buen video, pero al igual que Jairo que te comento antes creo que hay un pequeño error cuando graficas el PACF para la segunda diferenciación, el código solo tiene un diff(), y debería tener dos diff().diff(), ya que estamos trabajando con dos diferenciaciones
cometes un clásico error en el minuto 11, si el pvalor es mayor a 0.05 simplemente no se rechaza que sea no estacionaria, es sútil de hecho en la gaussiana está bien escrito cuando defines la region de rechazo y de no rechazo. Es muy complejo de explicarlo en un comentario corto pero te recomendaría revisar ese tema para que no se difundan estos errores de estadística (no son tan graves)
Si p-values >5% no sé rechaza la hipótesis nula , la series no es estacionaria.
Si p-values