prophet与基本线性模型（lm），广义加性模型（gam）和随机森林（randomForest）进行了比较。
本文 将针对R进行的几次建模练习的结果，以魁北克数据为依据，分为13年的训练和1年的测试。首先，设置一些选项，加载一些库，并更改工作目录。
可下载资源
首先，设置一些选项，加载一些库，并更改工作目录。
读取魁北克的出生文件，建立一个data.table 。创建培训和测试data.tables-使用前13年的每日数据进行培训，并使用第14年进行测试。
定义两个小函数来计算 均方根误差（rmse）和平均绝对百分比误差（mape），以评估预测模型的性能。越低越好。
现在开始拟合基本的lm线性模型。第一个回归整数日期（ds）的三次样条上的日出生（y）以捕获趋势。根据训练和测试数据计算rmse和mape。
接下来运行一个星期几的每日出生率模型，以捕获一周内的季节性。在性能指标上，该模型似乎比第一个模型好，这表明一周中每天都有重要的季节性。
第三个模型基于月创建一个因子来处理每月的季节。这种季节性似乎不像一周中的一天那么强烈。
最后，运行一个包含上述所有三个变量的lm模型。请注意，预测的均方根较低的rmse和mape。
现在，使用gam程序包运行类似的3变量通用加性模型。毫不奇怪，训练和测试的均方根值和mape与最终的lm模型相当。
使用相似的趋势和季节性属性拟合randomForest ML模型。请注意，火车和测试性能之间的差异较大，表明火车数据过拟合。
最后将数据划分为训练并进行测试以适合先知并拟合其模型
在这一点上，让我们看一下上面安装的各种lm模型的预测-第一个趋势，然后是星期几，最后是一个月。
接下来，绘制 模型的组成部分，看起来与上图非常相似- 使用的是一年中的日期而不是月份。
最后，使用测试数据比较3属性lm模型，gam模型，先知模型和随机森林模型。在每个面板中，灰色表示实际值，而颜色表示模型预测。lm，gam和先知的表现相似，而随机森林滞后。
利用这些特定的数据，先知，lm和gam模型的测试预测非常相似，并且优于randomForest。
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
Python用CNN – LSTM、ARIMA、Prophet股票价格预测的研究与分析|附数据代码
【视频讲解】Xgboost、ARIMA 和 Prophet对国际牛肉市场市场份额数据、比特币价格时间序列预测
【视频】因子分析简介及R语言应用实例：对地区经济研究分析重庆市经济指标
R语言宏观经济学：IS-LM曲线可视化货币市场均衡
