怎么训练出一个NB的Prophet模型

上篇《神器の争》主要是介绍Prophet的特点以及prophet入门的一些注意事项，但离真正的实际运用还有段距离。本篇主要讲解实际运用中Prophet调参的主要步骤以及一些本人实际经验。

一 参数理解篇

class Prophet(object):
    def __init__(
            self,
            growth='linear',
            changepoints=None,
            n_changepoints=25,
            changepoint_range=0.8,
            yearly_seasonality='auto',
            weekly_seasonality='auto',
            daily_seasonality='auto',
            holidays=None,
            seasonality_mode='additive',
            seasonality_prior_scale=10.0,
            holidays_prior_scale=10.0,
            changepoint_prior_scale=0.05,
            mcmc_samples=0,
            interval_width=0.80,
            uncertainty_samples=1000,
            stan_backend=None
    ):

1.1 趋势参数

参数	描述
growth	growth是指模型的趋势函数，目前取值有2种，linear和logistic
changepoints	Changepoint是指一个特殊的日期，在这个日期，模型的趋势将发生改变。而changepoints是指潜在changepoint的所有日期，如果不指明则模型将自动识别。
n_changepoints	最大的Changepoint的数量。如果changepoints不为None，则本参数不生效。
changepoint_range	是指changepoint在历史数据中出现的时间范围，与n_changeponits配合使用，changepoint_range决定了changepoint能出现在离当前时间最近的时间点，changepont_range越大，changepoint可以出现的距离现在越近。当指定changepoints时，本参数不生效
changepoint_prior_scale	设定自动突变点选择的灵活性，值越大越容易出现changepoint

1.1.1 growth

growth是指模型的趋势函数，目前取值有2种，linear和logistic，分别如图1-1及图1-2所示。趋势会在changepoint处出现突变点。

图1-1 linear趋势
图1-2 logistic趋势

细心的同学可能会问，可不可能出现同一个模型既有linear趋势，又有logistic趋势，就像下面这样：

图1-3

在这里福布湿要给大家纠正下这个错觉，请大家记住Prophet的趋势模型要么是linear要么是logistic。而上图之所以像是两种的叠加，是因为prophet的设计师为了让趋势函数可微(连续，就理解成连续吧)做了平滑处理，

上面这货就是论文中做平滑处理的公式。