Прямая визуализация во время обучения

if "google.colab" in str(get_ipython()):
    # Удаление предустановленных пакетов из Colab для избежания конфликтов
    !pip uninstall -y torch notebook notebook_shim tensorflow tensorflow-datasets prophet torchaudio torchdata torchtext torchvision
    !pip install git+https://github.com/ourownstory/neural_prophet.git['live'] # может занять некоторое время
    #!pip install neuralprophet # намного быстрее, но может не иметь последних обновлений/исправлений ошибок

import pandas as pd
from neuralprophet import NeuralProphet
data_location = "https://raw.githubusercontent.com/ourownstory/neuralprophet-data/main/datasets/"
df = pd.read_csv(data_location + "retail_sales.csv")  # Чтение CSV-файла с данными о розничных продажах и загрузка в DataFrame
# Используем метод split_df() из библиотеки NeuralProphet для разделения DataFrame на обучающий и валидационный наборы данных
# valid_p - процент данных, которые будут использоваться для валидации
df_train, df_val = NeuralProphet().split_df(df, valid_p=0.2)
INFO - (NP.df_utils._infer_frequency) - Major frequency MS corresponds to [99.659]% of the data.
INFO - (NP.df_utils._infer_frequency) - Dataframe freq automatically defined as MS
INFO - (NP.df_utils.return_df_in_original_format) - Returning df with no ID column
INFO - (NP.df_utils.return_df_in_original_format) - Returning df with no ID column
# Создаем объект модели NeuralProphet
m = NeuralProphet()

# Обучаем модель на обучающем наборе данных с использованием валидационного набора данных
# Параметр progress устанавливает отображение прогресса обучения в виде графика
metrics = m.fit(df_train, validation_df=df_val, progress="plot")

Last updated