دستور زیر یک پیشبینی BSTS آینده یک ساله برای دادههای شما ایجاد میکند:
جدید در زمین موتورهای جستجو
دستور زیر یک پیشبینی BSTS آینده یک ساله برای دادههای شما ایجاد میکند:
جدید در زمین موتورهای جستجو
آنچه در زیر می آید مراحل ایجاد مدل های پیش بینی ترافیک در RStudio با استفاده از داده های کلیکی است.
## Install packages
install.packages("tidyverse")
install.packages("tsibble")
install.packages("fabletools")
install.packages("bsts")
به دنبال:
و نموداری مانند این را برمی گرد،د:
این یک زبان برنامه نویسی نسبتا ساده تر برای یادگیری است و از طریق راهنماها و وبلاگ ها برای جامعه SEO قابل دسترسی است.
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
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:
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:
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.
اکنون باید داده های خود را وارد و رسم کنیم. برای این کار ابتدا باید چهار بسته را نصب و سپس بارگذاری کنیم.
pred2 <- predict(model1, ،rizon = 365*2)
plot(pred2, plot.original = 365)
## Make plot
autoplot(ts_data) +
labs(x = "Date", sub،le = "Time series plot")
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:
هرچه آینده را پیشبینی کنید، این محدوده بیشتر میشود و به نظر من، پیشبینی مفیدتر میشود.
## Make time series object
ts_data <- mdat %>%
as_tsibble(index = "Date")
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.
در این مرحله، مهم است که اذعان کنیم که پیشبینی یک علم دقیق نیست و بر چندین حقیقت و مفروضات متکی است. اینها هستند:
اگر می خواهید R را به ،وان یک زبان جدید انتخاب کنید، دوره های خوبی برای یادگیری عبارتند از:
## Read data
mdat <- read_csv("example data csv.csv",
col_types = cols(Date = col_date(format = "%d/%m/%Y")))
و با این کار نموداری مانند این تولید می شود:
اگر این کار را از طریق رابط انجام دهید، یک فایل فشرده با CSV های مختلف دانلود خواهید کرد، که از آن می خواهید کتاب کار با نام “Dates” را از آن دانلود کنید:
دریافت خبرنامه جستجوی روزانه بازاریابان به آن تکیه می کنند.
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.
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.
و سپس اجزای مدل را رسم کنید:
برای این مقاله، دادههایمان را به،وان پیشبینی سریهای زم، ساختاری بیزی (BSTS)، یکی از بستههایی که قبلاً نصب کردیم، تجسم میکنم. این نمودار توسط ا،ر روش های پیش بینی استفاده می شود.
اولین دستوری که باید اجرا شود این است:
با خارج شدن از این راه، میتو،م مدلسازی و پیشبینی دادههای ترافیک خود را آغاز کنیم.
و سپس شما همچنین باید نصب کنید:
R یک زبان و محیطی برای مح،ات آماری و گرافیک است پروژه R برای مح،ات آماری.
# 1-year
pred1 <- predict(model1, ،rizon = 365)
plot(pred1, plot.original = 200)
plot(model1, "comp")
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 کنیم این است که داده هایمان را با مدل BSTS مطابقت دهیم:
برای تولید یک نمودار پیش بینی دو ساله از داده های خود، می خواهید دستور زیر را اجرا کنید:
و در رابط RStudio خود، یک نمودار سری زم، ظاهر می شود:
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.
ss <- AddLocalLinearTrend(list(), ts_data$Clicks)
ss <- AddSeasonal(ss, ts_data$Clicks, nseasons = 52)
model1 <- bsts(ts_data$Clicks,
state.specification = ss,
niter = 500)
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.
این مقاله اصول اولیه نحوه تولید پیشبینی سریهای زم، در RStudio را از دادههای کلیک کنسول جستجوی Google شما پوشش میدهد.
محدوده تاریخ شما می تواند از یک چهارم، شش ماه یا 12 ماه باشد – تنها چیزی که مهم است این است که مقادیر را به ترتیب زم، داشته باشید که این صادرات به راحتی تولید می کند. (شما فقط باید ستون A را مرتب کنید، بنابراین قدیمی ترین مقادیر در بالا هستند.)
در حال حاضر شور و شوق زیادی در صنعت سئو برای پایتون وجود دارد.
و اکنون می تو،م پیش بینی های یک و دو ساله را تجسم کنیم.
## Load packages
li،ry("tidyverse")
li،ry("tsibble")
li،ry("fabletools")
li،ry("bsts")
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.
نظرات بیان شده در این مقاله نظرات نویسنده مهمان است و ،وماً سرزمین موتور جستجو نیست. نویسندگان کارکنان در اینجا فهرست شده اند.