ا،ر بازاریابان این مدل را دیده اند یا حداقل با آن آشنا هستند زیرا معمولاً در بسیاری از صنایع برای اه، پیش بینی استفاده می شود.
این مقاله اصول اولیه نحوه تولید پیش‌بینی سری‌های زم، در RStudio را از داده‌های کلیک کنسول جستجوی Google شما پوشش می‌دهد.
اما اول، R چیست؟
# 1-year
pred1 <- predict(model1, ،rizon = 365)
plot(pred1, plot.original = 200)
همانطور که می بینید، محدوده بالا و پایین در پیش بینی یک ساله دارای دامنه ای از 50- تا 150+ بود، در حالی که پیش بینی دو ساله دارای محدوده 200- تا 600+ است.
در این مرحله، مهم است که اذعان کنیم که پیش‌بینی یک علم دقیق نیست و بر چندین حقیقت و مفروضات متکی است. اینها هستند:
- مفروضاتی مبنی بر اینکه روندها و ال،ای تاریخی باید با درجات مختلف در طول زمان تکرار شوند.
- پیش‌بینی حاوی خطاها و ناهنجاری‌هایی خواهد بود زیرا مجموعه داده‌های شما (داده‌های کلیک‌های واقعی شما) حاوی ناهنجاری‌هایی است که می‌تواند به ،وان خطا تعبیر شود.
- پیش‌بینی‌ها معمولاً حول میانگین می‌چرخند و پیش‌بینی‌های گروهی را قابل اعتمادتر از اجرای یک سری پیش‌بینی‌های ،د می‌کند.
- پیش‌بینی کوتاه‌مدت معمولاً دقیق‌تر از پیش‌بینی با برد بلندتر است.
و اکنون می تو،م پیش بینی های یک و دو ساله را تجسم کنیم.
نظرات بیان شده در این مقاله نظرات نویسنده مهمان است و ،وماً سرزمین موتور جستجو نیست. نویسندگان کارکنان در اینجا فهرست شده اند.
ss <- AddLocalLinearTrend(list(), ts_data$Clicks)
ss <- AddSeasonal(ss, ts_data$Clicks, nseasons = 52)
model1 <- bsts(ts_data$Clicks,
state.specification = ss,
niter = 500)
با خارج شدن از این راه، می‌تو،م مدل‌سازی و پیش‌بینی داده‌های ترافیک خود را آغاز کنیم.
R یک زبان و محیطی برای مح،ات آماری و گرافیک است پروژه R برای مح،ات آماری.
pred2 <- predict(model1, ،rizon = 365*2)
plot(pred2, plot.original = 365)
R جدید نیست و از سال 1993 وجود داشته است. با این حال، یادگیری برخی از اصول R – از جمله نحوه تعامل با API های مختلف Google – می تواند برای SEO مفید باشد.
اما اگر می‌خواهید زبان جدیدی برای تجزیه و تحلیل و تجسم داده‌های جستجوی خود یاد بگیرید، به دنبال R باشید.
اولین دستوری که باید اجرا شود این است:
اما اگر اصول اولیه را درک می کنید و می خواهید اصول تجسم داده ها را در R بیاموزید، من پروژه هدایت شده Coursera را توصیه می کنم. کاربرد تجزیه و تحلیل داده ها در ،ب و کار با برنامه نویسی R.
دریافت خبرنامه جستجوی روزانه بازاریابان به آن تکیه می کنند.
مرحله 2: داده های سری زم، را در RStudio رسم کنید
برای تولید یک نمودار پیش بینی دو ساله از داده های خود، می خواهید دستور زیر را اجرا کنید:
درباره نویسنده
دن تیلور رئیس بخش سئو فنی در آژانس SALT، متخصص سئو فنی مستقر در بریت،ا و برنده جایزه کوئینز 2022. Dan با یک تیم کار می کند و بر آن نظارت می کند که با شرکت هایی از شرکت های فناوری و SaaS گرفته تا تجارت الکترونیک سازم، کار می کنند.
منبع: https://searchengineland.com/create-traffic-forecasting-models-rstudio-389823
به دنبال:
در حال حاضر شور و شوق زیادی در صنعت سئو برای پایتون وجود دارد.
## Install packagesinstall.packages("tidyverse")
install.packages("tsibble")
install.packages("fabletools")
install.packages("bsts")
اولین دستوری که باید اجرا کنیم این است که داده هایمان را با مدل BSTS مطابقت دهیم:
و با این کار نموداری مانند این تولید می شود:
دستور زیر یک پیش‌بینی BSTS آینده یک ساله برای داده‌های شما ایجاد می‌کند:
هرچه آینده را پیش‌بینی کنید، این محدوده بیشتر می‌شود و به نظر من، پیش‌بینی مفیدتر می‌شود.
و در رابط RStudio خود، یک نمودار سری زم، ظاهر می شود:
مرحله 3: داده های خود را در RStudio مدل سازی و پیش بینی کنید
## Make plotautoplot(ts_data) +
labs(x = "Date", sub،le = "Time series plot")
و سپس اجزای مدل را رسم کنید:
اگر می خواهید R را به ،وان یک زبان جدید انتخاب کنید، دوره های خوبی برای یادگیری عبارتند از:
سپس می خواهید داده های خود را وارد کنید. تنها تغییری که باید در دستور زیر ایجاد کنید، نام نوع فایل (با حفظ ،د CSV) به رنگ قرمز است:
سپس دو دستور آ، در رسم داده‌های شما این است که سری زم، را به ،وان شیء تبدیل کنید، سپس خود نمودار را رسم کنید:
اولین قدم این است که داده های کنسول جستجوی گوگل خود را صادر کنید. می تو،د این کار را از طریق رابط کاربری و صادر ، داده ها به صورت CSV انجام دهید:
به دنبال:
این یک زبان برنامه نویسی نسبتا ساده تر برای یادگیری است و از طریق راهنماها و وبلاگ ها برای جامعه SEO قابل دسترسی است.
و نموداری مانند این را برمی گرد،د:
یا اگر می‌خواهید داده‌های خود را از طریق RStudio مستقیماً از API کنسول جستجوی Google است،اج کنید، توصیه می‌کنم دنبال کنید. این راهنما از JC C،uinard.
plot(model1, "comp")
و همانطور که BSTS یک کران بالا و پایین را در نظر می گیرد، از یک نقطه خاص نیز بسیار بی م،ی می شود.
## Read datamdat <- read_csv("example data csv.csv",
col_types = cols(Date = col_date(format = "%d/%m/%Y")))
با بازگشت به قو،ن پیش‌بینی کلی که قبلا ذکر شد، هرچه آینده را پیش‌بینی کنید، دقت کمتری خواهد داشت. بنابراین، هنگام انجام این کار به دو سال می مانم.
## Load packagesli،ry("tidyverse")
li،ry("tsibble")
li،ry("fabletools")
li،ry("bsts")
جدید در زمین موتورهای جستجو
