请看这个例子，因为我正在处理的项目非常相似，但是有大约 8 个回归量而不是 2 个，我需要了解每个回归量如何影响预测模型：https://towardsdatascience.com/forecast-model-tuning-with-additional-regressors-in-prophet-ffcbf1777dda
假设上面有 2 个额外回归量的场景：我们如何理解每个回归量对“yhat”预测的影响（例如，“temp”对 yhat 预测有 30% 的影响，而“weathersit”对yhat预测或类似的东西）。我曾尝试使用“from fbprophet.utilities import regressor_coefficients”来查看回归系数，但我不确定这是否是正确的方法。
此外，如何解释来自“.predict()”的“预测”数据框中的回归量列？
感谢您的帮助。
【问题讨论】：
标签： time-series forecasting forecast facebook-prophet
您可以在“预测”数据框中获得有关回归量的更多详细信息。查找代表您的回归器名称的列。如果您认为 fbprophet 低估了回归量的影响，您可以将回归量输入值声明为二进制。如果二进制值不合适，您还可以对回归量输入值进行聚类。如果您仍然觉得您的回归量被低估，请查看您的回归量的历史数据。 y 值是否会在您的回归量行为改变的同一天增加？如果没有，那么你需要解决这个问题。 也可以参考本网站“附加回归器的系数”部分：https://facebook.github.io/prophet/docs/seasonality,_holiday_effects,_and_regressors.html#additional-regressors
【讨论】：
运行regressor_coefficients(model)后，你会得到每个加法回归量的中心和系数。例如：
regressor_coefficients(my_model)
|--|回归量|回归模式|中心| coef_low|系数| coef_upper|
|--|---------- |------|--------|------- -----|--------|------------|
|0 |温度|添加剂 | 6.346457 | -51.124462| -51.124462| -51.124462|
|1 |湿度 |添加剂 | 66.665910| 7.736604| 7.736604| 7.736604|
因此，您的预测结果应该是（对于附加的季节性趋势）：
yhat = trend + yearly + extra_regressors_additive,
在哪里 extra_regressors_additive = (temperature_data - temperature_center)*temperature_coef + (humidity_data - humidity_center )* humidity_coef
【讨论】：