Интеллект в коде: Python, AI, Data Science: “Мини-кейс: два baseline + простая модель (с CSV) 🔧 Задача: прочитать…”

Мини-кейс: два baseline + простая модель (с CSV) 🔧
Задача: прочитать данные из файла, посчитать два простых прогноза и одну мини-модель, сравнить ошибки на последних 7 днях и выбрать лучший.
Данные: файл post2_demo_data.csv с колонками date (YYYY-MM-DD) и y. Положите файл рядом со скриптом. (Гипотеза: H=7 подходит при недельной сезонности.)

import pandas as pd                                  # работа с таблицей
from sklearn.linear_model import LinearRegression     # простая модель
from sklearn.metrics import mean_absolute_error       # метрика ошибки (MAE)

df = pd.read_csv('post2_demo_data.csv')              # читаем CSV (файл лежит рядом с кодом)
df['date'] = pd.to_datetime(df['date'])              # превращаем текст даты в тип "дата"
df = df.sort_values('date').reset_index(drop=True)   # упорядочиваем по времени

df['x_lag1'] = df['y'].shift(1)                      # признак: "как вчера" (вчерашнее значение)
df['x_ma3']  = df['y'].rolling(3).mean().shift(1)    # признак: среднее за 3 прошлых дня (без подсматривания вперёд)

H = 7                                                # тестовый горизонт: 7 последних дней (гипотеза)
train = df.iloc[:-H].dropna(subset=['y','x_lag1','x_ma3'])  # обучаемся на всей истории до теста
test  = df.iloc[-H:].dropna(subset=['y','x_lag1','x_ma3'])  # тестируем на последних днях

test = test.copy()                                   # отдельная копия для предсказаний
test['pred_lag1'] = test['x_lag1']                   # baseline 1: прогноз = "как вчера"
test['pred_ma3']  = test['x_ma3']                    # baseline 2: прогноз = "среднее 3 дней"

model = LinearRegression().fit(                      # обучаем простую модель (веса для двух признаков)
    train[['x_lag1','x_ma3']],                      # X-признаки
    train['y']                                      # y-цель
)

test['pred_lin'] = model.predict(test[['x_lag1','x_ma3']])  # прогноз модели на тесте

mae_lag1 = mean_absolute_error(test['y'], test['pred_lag1'])  # MAE "как вчера"
mae_ma3  = mean_absolute_error(test['y'], test['pred_ma3'])   # MAE "среднее 3 дней"
mae_lin  = mean_absolute_error(test['y'], test['pred_lin'])   # MAE модели

last = df['y'].iloc[-1]                               # вчерашнее фактическое
y_next_lag1 = last                                    # прогноз на завтра по lag1
y_next_ma3  = df['y'].tail(3).mean()                  # прогноз на завтра по MA3
y_next_lin  = model.predict([[y_next_lag1, y_next_ma3]])[0]   # прогноз на завтра по модели

print(f"MAE lag1={mae_lag1:.2f} | MAE MA3={mae_ma3:.2f} | MAE модель={mae_lin:.2f}")  # сравнение ошибок
print(f'Завтра: lag1={y_next_lag1:.2f}, MA3={y_next_ma3:.2f}, модель={y_next_lin:.2f}')  # три прогноза на завтра

Что получили в итоге:
➖Три числа MAE (lag1, MA3, модель) — видно, кто точнее.
➖Прогноз «на завтра» тремя способами — можно сравнить.
➖Итоговую строку-резюме: победитель и, если выиграла модель, на сколько % она лучше лучшего baseline.

Файл в комментариях для проведения прогноза.
В комментариях покажите, что получится у вас)

#python #MAE #аналитикаданных