> For the complete documentation index, see [llms.txt](https://bemind.gitbook.io/neural/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://bemind.gitbook.io/neural/neuralprophet/rukovodstva-po-funkciyam/vizualizaciya-prognozov-neuralprophet.md).
# Визуализация прогнозов NeuralProphet
Этот блокнот демонстрирует, какие варианты построения графиков доступны в NeuralProphet.
**NeuralProphet** поддерживает использование нескольких бэкендов для визуализации, каждый из которых имеет свои преимущества и недостатки:
* `plotly`: Интерактивные графики, но могут быть медленными для больших наборов данных и не отображаются в версии документации.
* `plotly-static`: Статические графики для отображения в документации.
* `plotly-resampler`: Интерактивные графики, которые работают быстрее с большими наборами данных, но могут некорректно отображаться в некоторых средах.
* `matplotlib`: Статические графики, но скоро будут устаревшими.
Давайте начнем с той же модели, что и в учебниках.
```python
import pandas as pd
from neuralprophet import NeuralProphet, set_log_level
# Отключение сообщений журнала, кроме случаев ошибок
set_log_level("ERROR")
# Загрузка набора данных из CSV-файла с помощью pandas
df = pd.read_csv("https://github.com/ourownstory/neuralprophet-data/raw/main/kaggle-energy/datasets/tutorial04.csv")
# Уменьшение набора данных до двух лет для более наглядного отображения
df = df.iloc[-365 * 2 :]
# Модель и прогнозирование
m = NeuralProphet(
# Отключение точек изменения тренда
n_changepoints=10,
# Отключение компонентов сезонности
yearly_seasonality=True,
weekly_seasonality=True,
daily_seasonality=True,
n_lags=10,
)
m.add_lagged_regressor("temperature")
m.set_plotting_backend("plotly-static")
metrics = m.fit(df)
forecast = m.predict(df)
```
### Постройте прогноз
Постройте прогноз модели и фактические данные.
```python
m.plot(forecast)
```
### Постройте компоненты
Чтобы визуализировать компоненты прогноза, такие как тренд, сезонность и праздники, вы можете использовать метод `plot_parameters`. Вы можете выбрать показ всех компонентов или только части с помощью `components`. [Подробнее смотрите в официальной документации NeuralProphet.](https://neuralprophet.com/code/forecaster.html?highlight=lot_parameters#neuralprophet.forecaster.NeuralProphet.plot_parameters)
```
m.plot_components(forecast)
```
### Постройте параметры
Для лучшего понимания модели можно визуализировать параметры модели. Как и в случае с `plot_components`, вы можете [выбрать визуализацию всех параметров или только некоторой их части.](https://neuralprophet.com/code/forecaster.html?highlight=plot_parameters#neuralprophet.forecaster.NeuralProphet.plot_parameters)
```python
m.plot_parameters()
```
### Построение нескольких прогнозов
Neuralprophet может генерировать прогнозы на несколько шагов вперед, если указать параметр `n_forecasts`
```python
# Модель и прогнозирование
m = NeuralProphet(
# Отключение точек изменения тренда
n_changepoints=10,
# Отключение компонентов сезонности
yearly_seasonality=True,
weekly_seasonality=True,
daily_seasonality=True,
n_lags=10,
n_forecasts=10,
)
m.add_lagged_regressor("temperature")
m.set_plotting_backend("plotly-static")
metrics = m.fit(df)
forecast = m.predict(df)
```
Если мы будем строить наш прогноз, как и раньше, все прогнозы на каждом шаге будут отображены. Однако мы также можем построить каждый прогноз на каждом шаге индивидуально.
```python
m.plot(forecast, forecast_in_focus=4)
```
Тренд, сезонность и праздники одинаковы для всех прогнозов вперед, поэтому они отображаются только один раз. Но авторегрессия и запаздывающие регрессоры различаются для каждого шага прогнозирования. Если `forecast_in_focus` не указан, график компонент показывает долю компонента к каждому шагу прогноза разными цветами. Если указан `forecast_in_focus`, график компонент показывает долю компонента указанного шага прогноза.
```python
# Показать только последние 20 дней для лучшего отображения компонентов
m.plot_components(forecast[-20:])
```
Поскольку параметры одинаковы для всех прогнозов на несколько шагов вперед, они отображаются только один раз.
```python
m.plot_parameters()
```
