## Load packages
library("tidyverse")
library("tsibble")
library("fabletools")
library("bsts")
# 1-year
pred1 <- predict(model1, horizon = 365)
plot(pred1, plot.original = 200)
plot(model1, "comp")
این مقاله اصول اولیه نحوه تولید پیشبینی سریهای زمانی در RStudio را از دادههای کلیک کنسول جستجوی Google شما پوشش میدهد.
اما اول، R چیست؟
## Install packages
install.packages("tidyverse")
install.packages("tsibble")
install.packages("fabletools")
install.packages("bsts")
این یک زبان برنامه نویسی نسبتا ساده تر برای یادگیری است و از طریق راهنماها و وبلاگ ها برای جامعه SEO قابل دسترسی است.
## Read data
mdat <- read_csv("example data csv.csv",
col_types = cols(Date = col_date(format = "%d/%m/%Y")))
و نموداری مانند این را برمی گردانید:

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 کسب و کار با برنامه نویسی R.
یا اگر میخواهید دادههای خود را از طریق RStudio مستقیماً از API کنسول جستجوی Google استخراج کنید، توصیه میکنم دنبال کنید. این راهنما از JC Chouinard.
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.
سپس دو دستور آخر در رسم دادههای شما این است که سری زمانی را به عنوان شیء تبدیل کنید، سپس خود نمودار را رسم کنید:
اولین دستوری که باید اجرا کنیم این است که داده هایمان را با مدل BSTS مطابقت دهیم:
اکثر بازاریابان این مدل را دیده اند یا حداقل با آن آشنا هستند زیرا معمولاً در بسیاری از صنایع برای اهداف پیش بینی استفاده 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:

ss <- AddLocalLinearTrend(list(), ts_data$Clicks)
ss <- AddSeasonal(ss, ts_data$Clicks, nseasons = 52)
model1 <- bsts(ts_data$Clicks,
state.specification = ss,
niter = 500)
در حال حاضر شور و شوق زیادی در صنعت سئو برای پایتون وجود دارد.
آنچه در زیر می آید مراحل ایجاد مدل های پیش بینی ترافیک در RStudio با استفاده از داده های کلیکی است.
مرحله 1: داده ها را آماده کنید
اما اگر میخواهید زبان جدیدی برای تجزیه و تحلیل و تجسم دادههای جستجوی خود یاد بگیرید، به دنبال R باشید.
درباره نویسنده