두 번째 단계로 ARIMA() 함수를 사용한 예측을 진행해 보겠습니다. 먼저 필요한 라이브러리를 호출합니다.
코드 7-2 statsmodels 라이브러리를 이용한 sales 데이터셋 예측
import numpy as np
from pandas import read_csv
from pandas import datetime
from matplotlib import pyplot
from statsmodels.tsa.arima_model import ARIMA
from sklearn.metrics import mean_squared_error
def parser(x):
return datetime.strptime('199'+x, '%Y-%m')
series = read_csv('../chap7/data/sales.csv', header=0, parse_dates=[0], index_col=0,
squeeze=True, date_parser=parser)
X = series.values
X = np.nan_to_num(X)
size = int(len(X) * 0.66)
train, test = X[0:size], X[size:len(X)] ------ train과 test로 데이터셋 분리
history = [x for x in train]
predictions = list()
for t in range(len(test)): ------ test 데이터셋의 길이(13번)만큼 반복하여 수행
model = ARIMA(history, order=(5,1,0)) ------ ARIMA() 함수 호출
model_fit = model.fit(disp=0)
output = model_fit.forecast() ------ forecast() 메서드를 사용하여 예측 수행
yhat = output[0] ------ 모델 출력 결과를 yhat에 저장
predictions.append(yhat)
obs = test[t]
history.append(obs)
print('predicted=%f, expected=%f' % (yhat, obs)) ------ 모델 실행 결과를 predicted로 출력하고, test로 분리해 둔 데이터를 expected로 사용하여 출력
error = mean_squared_error(test, predictions) ------ 손실 함수로 평균 제곱 오차 사용
print('Test MSE: %.3f' % error)
pyplot.plot(test)
pyplot.plot(predictions, color='red')
pyplot.show()