Python

prophet_sm

Prophet 요약

Prophet은 Facebook(현재 Meta)이 개발한 시계열 예측 라이브러리로, 불규칙한 시계열 데이터에서도 정확하고 해석 가능한 예측을 수행할 수 있도록 설계

특히 비즈니스 지표(예: 일별 사용자 수, 매출, 방문자 수 등) 예측에 강점

핵심 개념

Prophet 모델은 다음과 같은 구성요소를 기반으로 동작

1
y(t) = g(t) + s(t) + h(t) + εt

  • g(t): 트렌드 (비선형 또는 piecewise 선형)

  • s(t): 주기적(계절성) 요소 (연간, 주간 등)

  • h(t): 휴일 효과

  • εt: 오류항 (노이즈)

주요 특징

항목 설명
자동 추세 감지 트렌드 변화 시점을 자동으로 찾아 piecewise 선형 추세 적용
계절성 반영 주기성과 휴일 등의 외생 요인을 쉽게 반영 가능
결측치 처리 결측 데이터에 강건
이상치 허용 이상치가 있어도 예측이 무너지지 않음
인터랙티브 튜닝 계절성 주기, 휴일 영향, 추세 변화 민감도 등을 손쉽게 설정

사용 예제 (Python)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
from prophet import Prophet
import pandas as pd

# 데이터 형식: 'ds'는 날짜, 'y'는 예측 대상 변수
df = pd.read_csv('example.csv')  # 예: columns=['ds', 'y']

# 모델 생성 및 학습
model = Prophet()
model.fit(df)

# 미래 데이터프레임 생성 (예: 30일 예측)
future = model.make_future_dataframe(periods=30)
forecast = model.predict(future)

# 시각화
model.plot(forecast)
model.plot_components(forecast)

실전 적용 예시 (게임 데이터 기준)

사용 사례 설명
DAU/MAU 예측 일별/월별 유저 수 추세 예측
매출 예측 이벤트나 업데이트 주기에 따른 수익 변화 예측
리텐션 변화 감지 사용자 이탈 또는 회귀 경향의 탐지
이벤트 효과 평가 특정 기간 이벤트 전후의 지표 변화 비교

한계 및 주의사항

  • 트렌드 전환점이 너무 잦으면 오버피팅 가능성 있음.

  • 장기 예측은 불확실성 커짐: 1년 이상 예측 시 불확실성이 커짐.

  • 외생 변수 반영 어려움: 경쟁사 출시 등 외부 충격은 직접 반영 어려움 (변수로 추가해야 함).

Share