-
Notifications
You must be signed in to change notification settings - Fork 0
/
Analysis.R
509 lines (438 loc) · 18.8 KB
/
Analysis.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
#### Aufgabenbeschreibung ####
# You are provided with historical sales data for 1,115 Rossmann stores.
# The task is to forecast the "Sales" column for the test set.
# Note that some stores in the dataset were temporarily closed for refurbishment.
#### Lade Bibliotheken und Datum-Daten ####
library(tidyverse)
library(data.table)
library(reshape2)
library(hrbrthemes)
library(VIM)
library(forecast)
library(timetk)
library(sweep)
library(lubridate)
library(tidymodels)
library(feasts)
library(tsibble)
library(cowplot)
setwd(dirname(rstudioapi::getActiveDocumentContext()$path))
train <- read_csv("train.csv")
#### Exploratorische Datenanalyse ####
## Beschreibung der Daten laut website:
# Store: id of store
# Sales: the turnover for any given day (target variable).
# Customers: the number of customers on a given day.
# Open: an indicator for whether the store was open: 0 = closed, 1 = open.
# Promo: indicates whether a store is running a promo on that day.
# StateHoliday: indicates a state holiday. Normally all stores, with few exceptions, are closed on state holidays.
# SchoolHoliday: indicates if the (Store, Date) was affected by the closure of public schools.
## Spalten zu Faktoren konvertieren
spalten <- c("Store", "Open", "Promo", "StateHoliday", "SchoolHoliday")
train[, spalten] <- sapply(train[, spalten], as.factor)
train %>%
filter(Sales != 0 | Open != 0) %>%
mutate(logSales = log(Sales)) %>%
select(Sales, logSales) %>%
reshape2::melt() %>%
ggplot(aes(x = value, fill = variable)) +
geom_histogram() +
theme_ipsum_rc() +
scale_fill_ipsum() +
facet_wrap(~ variable, scales = "free", ncol = 1)
train <- train %>%
mutate(logSales = log(Sales))
## Wie viel Geld gab ein Kunde am Tag aus?
## Wie viele Einnahmen machte ein Store am Tag?
## Wie viele Kunden besuchten den Store?
train <- train %>% mutate(Per_Day = Sales / Customers)
train %>% filter(Per_Day != "NaN") %>% summarise_at(c("Sales", "Customers", "Per_Day"), list(min = min, max = max, mean = mean))
train %>% filter(Per_Day != "NaN") %>% select(c("Sales", "Customers", "Per_Day")) %>% reshape2::melt() %>%
ggplot(aes(x = variable, y = value, color = variable, fill = variable)) +
geom_boxplot() +
facet_wrap(~ variable, scales = "free") +
theme_ipsum_rc() +
scale_color_ipsum() +
scale_fill_ipsum()
# Durchschnittlich gaben Kunden am Tag 9.49 € aus.
# Durchschnittlich machte ein Store Einnahmen von rund 6956 €.
# Durchschnittlich besuchten 763 Kunden einen Store am Tag.
## Wie viele Läden haben geschlossen? An wie vielen Tagen wurden keine Einnahmen gemacht?
train %>% filter(Sales == 0 | Open == 0)
# An 172861 Tagen hatten die Stores geschlossen oder keine Einnahmen gemacht.
## Stores ohne Verkäufe filtern
train_clean <- train %>% filter(Sales != 0 | Open != 0)
## StateHoliday bereinigen
train_clean <- train_clean %>% filter_all(all_vars(!is.infinite(.)))
train_clean[which(is.na(train_clean$StateHoliday)),"StateHoliday"] <- "0"
#### Lade und exploriere Store-Daten ####
store <- read.csv("store.csv")
## Beschreibung der Daten laut website:
# Store: a unique Id for each store
# StoreType: differentiates between 4 different store models: a, b, c, d
# Assortment: describes an assortment level: a = basic, b = extra, c = extended
# CompetitionDistance: distance in meters to the nearest competitor store
# CompetitionOpenSince[Month/Year]: gives the approximate year and month of the time the nearest competitor was opened
# Promo2: Promo2 is a continuing a promotion for some stores: 0 = store is not participating, 1 = store is participating
# Promo2Since[Year/Week]: describes the year and calendar week when the store started participating in Promo2
# PromoInterval: describes the consecutive intervals Promo2 is started, naming the months the promotion is started. E.g. "Feb,May,Aug,Nov" means each round starts in February, May, August, November of any given year for that store
spalten <- c("Store", "StoreType", "Assortment", "Promo2")
store[,spalten] <- sapply(store[,spalten], as.factor)
## Wie viele fehlende Werte gibt es?
store %>% matrixplot(interactive = F, cex.axis = .3)
# Die meisten fehlenden Werte beziehen sich auf die Eröffnung konkurrierender Stores und zu den Angaben, wann ein Store an der Promo teilnahm.
# Wie wir sehen, fehlen ca. 50 % der Daten in dieser Variable
store %>%
group_by(StoreType) %>%
count(PromoInterval)
store[store$StoreType == "a" & store$PromoInterval == "","PromoInterval"] <- "Jan,Apr,Jul,Oct"
store[store$StoreType == "b" & store$PromoInterval == "","PromoInterval"] <- "Jan,Apr,Jul,Oct"
store[store$StoreType == "c" & store$PromoInterval == "","PromoInterval"] <- "Jan,Apr,Jul,Oct"
store[store$StoreType == "d" & store$PromoInterval == "","PromoInterval"] <- "Jan,Apr,Jul,Oct"
# entfernen von Spalten mit zu vielen fehlenden Werten
store <- store %>% select(!c(CompetitionOpenSinceMonth, CompetitionOpenSinceYear, Promo2SinceWeek, Promo2SinceYear))
## Zusammenfassung der Entfernung
store %>% filter(CompetitionDistance != "NA") %>% group_by(StoreType) %>% summarise_at("CompetitionDistance", list(min = min, max = max, median = median, mean = mean))
# Store B hat am auffälligsten nur geringe Entfernungen zu einem anderen Store.
## Fehlende Werte in CompetitionDistance ersetzen mit dem gruppenspezifischen Kennwert
store %>%
ggplot(aes(x = CompetitionDistance, color = StoreType, fill = StoreType)) +
geom_histogram() +
facet_wrap(~StoreType) +
theme_ipsum() +
scale_color_ipsum() +
scale_fill_ipsum()
# Es sieht aus, als wäre der Median am aussagekräftigsten
store[which(is.na(store$CompetitionDistance)),"CompetitionDistance"] <- c(5040, 1790, 5040)
sum(is.na(store))
#### Datensätze zusammenführen und explorieren ####
join_data <- left_join(train_clean, store, by = "Store")
## Wie viel Einnahmen macht ein bestimmter Storetyp am Tag?
join_data %>%
ggplot(aes(x = StoreType, y = Sales, color = StoreType, fill = StoreType)) +
geom_boxplot() +
theme_ipsum_rc() +
scale_color_ipsum() +
scale_fill_ipsum()
# Storetyp "B" scheint die meisten Erträge einzubringen
## Wie viel Geld geben Kunden durchschnittlich täglich in einem Store aus und variiert das mit der Entfernung?
join_data %>%
ggplot(aes(x = StoreType, y = Per_Day, color = StoreType, fill = StoreType)) +
geom_boxplot() +
theme_ipsum_rc() +
scale_color_ipsum() +
scale_fill_ipsum()
# Im Storetyp "D" gibt ein Kunde scheinbar täglich mehr aus, im Vergleich zu anderen Geschäften
# Obwohl Storetyp "B" die meisten Erträge bringt, gehen diese scheinbar auf kleinere Beträge vieler Kunden zurück.
# Bei Typ "B" könnte es sich um Stores in Bahnhöfen oder dergleichen handeln.
## Hat die Art des Sortiments einen Einfluss auf die Erträge?
join_data %>%
ggplot(aes(x = Assortment, y = Per_Day, color = StoreType, fill = StoreType)) +
geom_boxplot() +
theme_ipsum_rc()
# Das Sortimentangebot spielt bei den Erträgen scheinbar keine Rolle.
## Haben Schulferien einen EInfluss auf die Erträge?
join_data %>%
mutate(SchoolHoliday = as.factor(SchoolHoliday)) %>%
ggplot(aes(y = Sales, fill = SchoolHoliday, color = SchoolHoliday)) +
geom_boxplot() +
theme_ipsum_rc() +
scale_fill_ipsum() +
scale_color_ipsum()
# Schulferien scheinen keinen allzu starken auf die Erträge zu haben.
## Welcher Store ist in der Summe frequentiertesten?
join_data %>%
group_by(StoreType) %>%
summarise_at("Customers", list(sum = sum, min = min, max = max, median = median, mean = mean))
# Storetyp A > D > C > B
## Wie sehen die Verkaustrends im Laufe eines Monats aus?
join_data %>%
filter(Per_Day != "NaN") %>%
mutate(Year_Month = format(Date, "%d")) %>%
group_by(StoreType, Year_Month) %>%
summarise(MeanSales = mean(Per_Day)) %>%
ggplot(aes(x = Year_Month, y = MeanSales, color = StoreType, group = StoreType)) +
geom_point() +
geom_line() +
theme_ipsum_rc() +
scale_color_ipsum()
# Wir sehen, dass es in einem Monat drei Hochpunkte gibt.
# Möglicherweise liegt das daran, dass der Lohn zu Beginn, Mitte oder Anfang eines Monat überwiesen wird.
## Ändern initale sowie konsekutive Promos die Erträge?
options(scipen = 999)
join_data %>%
filter(Per_Day != "NaN") %>%
filter(!(Promo == 0 & Promo2 == 1)) %>%
mutate(Year_Month = format(Date, "%m")) %>%
group_by(Promo, Promo2, StoreType, Year_Month) %>%
summarise(MeanSales = mean(Per_Day)) %>%
ggplot(aes(x = Year_Month, y = MeanSales, color = StoreType, group = StoreType)) +
geom_point() +
geom_line() +
theme_ipsum_rc() +
scale_color_ipsum() +
facet_wrap(Promo ~ Promo2, ncol = 3)
# Zu Dezember steigen die Einnahmen durch das "Wintergeschäft".
# Promos haben scheinbar nur einen geringfügigen Einfluss auf die Einnahmen im StoreTyp "B".
# Das könnte am Clientel dieses Stores liegen, nämlich dass diese dort eher nur für schnelle Erledigungen einkaufen gehen.
# Konsekutive Promos sind generell besser für das Geschäft, doch nicht für StoreTyp "B" und am stärksten für StoreTyp "D".
## Zu welchen Zeitpunkt nach den Feiertagen sind Promos am sinnvollsten?
join_data %>%
group_by(Store) %>%
mutate(OCC = sequence(rle(as.character(StateHoliday))$lengths)) %>%
filter(OCC < 10) %>%
mutate(OCC = as.factor(OCC)) %>%
group_by(Promo, OCC) %>%
summarise(MeanSales = mean(logSales, na.rm = TRUE)) %>%
mutate(Promo = as.factor(Promo)) %>%
ggplot(aes(x = OCC, y = MeanSales, color = Promo, group = Promo)) +
geom_point() +
geom_line() +
theme_ipsum_rc() +
scale_color_ipsum()
# Interessanterweise zeigen sich nach sieben Tagen eines Feiertages nahezu keine Unterschiede.
join_data %>%
filter(Promo == 0 & Promo2 == 0) %>%
mutate(Week = format(Date, "%Y-%m-%W")) %>%
group_by(Promo, Promo2, StoreType, Week) %>%
summarise(MeanSales = mean(Per_Day)) %>%
ggplot(aes(x = Week, y = MeanSales, color = StoreType, group = StoreType)) +
geom_point() +
geom_line() +
theme_ipsum_rc() +
scale_color_ipsum()
#### Zeitreihenanalyse ####
## Überprüfen der Autokorrelation
a <- join_data %>%
filter(Promo == 0 & Promo2 == 0) %>%
filter(StoreType == "a") %>%
group_by(Date) %>%
summarise(MeanSales = mean(Sales)) %>%
select(MeanSales) %>%
ggAcf() +
coord_cartesian(ylim = c(-0.8 , 0.8)) +
ggtitle("Autokorrelationen für verschiedene Storetypen", subtitle = "A") +
theme_ipsum_rc()
b <- join_data %>%
filter(Promo == 0 & Promo2 == 0) %>%
filter(StoreType == "b") %>%
group_by(Date) %>%
summarise(MeanSales = mean(Sales)) %>%
select(MeanSales) %>%
ggAcf() +
coord_cartesian(ylim = c(-0.8 , 0.8)) +
ggtitle("", subtitle = "B") +
theme_ipsum_rc()
c <- join_data %>%
filter(Promo == 0 & Promo2 == 0) %>%
filter(StoreType == "c") %>%
group_by(Date) %>%
summarise(MeanSales = mean(Sales)) %>%
select(MeanSales) %>%
ggAcf() +
coord_cartesian(ylim = c(-0.8 , 0.8)) +
ggtitle("", subtitle = "C") +
theme_ipsum_rc()
d <- join_data %>%
filter(Promo == 0 & Promo2 == 0) %>%
filter(StoreType == "d") %>%
group_by(Date) %>%
summarise(MeanSales = mean(Sales)) %>%
select(MeanSales) %>%
ggAcf() +
coord_cartesian(ylim = c(-0.8 , 0.8)) +
ggtitle("", subtitle = "D") +
theme_ipsum_rc()
plot_grid(a,b,c,d)
# Die Autokorrelationen von den mittleren Einnahmen in Abhängigkeit der vier Storetypen überschreiten
# das 95½-Konfidenzintervall und zeigen an, dass diese mit denen vorangegangener Tagen korreliert sind.
### Stationarität erzeugen
store1_ts <- join_data %>%
filter(Store == 1) %>%
mutate(Week = format(Date, "%Y-%m-%d")) %>%
group_by(Week) %>%
summarise(MeanSales = mean(Sales)) %>%
select(MeanSales) %>%
ts(frequency = 365)
store1_ts %>% ggAcf()
diff(join_data %>%
filter(Store == 1) %>%
mutate(Week = format(Date, "%Y-%m-%d")) %>%
group_by(Week) %>%
summarise(MeanSales = mean(Sales)) %>%
select(MeanSales) %>%
ts(frequency = 365), differences = 1) %>% ggAcf()
join_data %>%
filter(Store == 10) %>%
mutate(Week = format(Date, "%Y-%m-%d")) %>%
group_by(Week) %>%
summarise(MeanSales = mean(Sales)) %>%
select(MeanSales) %>%
ts(frequency = 365) %>%
diff(., differences = 1) %>%
tseries::adf.test()
# Stationarität gegeben.
#### Trainieren verschiedener Modelle ####
## Besipiel für Store 1
# Wie sieht der Trend beispielhaft für Store 1 aus?
join_data %>%
filter(Store == 1) %>%
select(Sales) %>%
ts(Sales, start = decimal_date(ymd("2013-01-01")), end = decimal_date(ymd("2015-07-31")), frequency = 365) %>%
decompose(type = "additive") %>%
autoplot() +
theme_ipsum_rc() +
scale_color_ipsum()
## Datenvorbereitung
# Überprüfen, welche Spalte noch missing values hat
colnames(join_data)[colSums(is.na(join_data)) > 0]
# Um RAM freizuräumen: alte Datensätze entfernen
remove(store)
remove(train)
remove(train_clean)
remove(spalten)
# Daten vorbereiten für Vorhersage mit h2o (Features bearbeiten)
library(h2o)
library(data.table)
library(bit64)
join_data <- as.data.table(join_data)
join_data[, Month:=as.integer(format(Date, "%m"))]
join_data[, Year:=as.integer(format(Date, "%y"))]
join_data[, Weekday:=as.integer(format(Date, "%V"))]
join_data[, Promo:=as.factor(Promo)]
join_data[, StoreType:=as.factor(StoreType)]
join_data[, Promo2:=as.factor(Promo2)]
join_data[, SchoolHoliday:=as.factor(SchoolHoliday)]
join_data[, StateHoliday:=as.factor(StateHoliday)]
join_data[, Assortment:=as.factor(Assortment)]
join_data[, Store:=as.factor(Store)]
join_data[, PromoInterval:=as.factor(PromoInterval)]
# join_data[, Date:=NULL]
join_data <- join_data %>%
mutate(Month_sin = sin(Month - 1)*(2*pi/12),
Month_cos = cos(Month - 1)*(2*pi/12),
Day_sin = sin(DayOfWeek - 1)*(2*pi/7),
Day_cos = cos(DayOfWeek - 1)*(2*pi/7),
Weekday_sin = sin(Weekday -1)*(2*pi/52),
Weekday_cos = cos(Weekday -1)*(2*pi/52))
## Für ein besseres Handling mit wenigen RAM wird H2O genutzt
h2o.init(nthreads = -1,max_mem_size='6G')
## laden der Daten in den instanstiierten Cluster
trainHex <- as.h2o(join_data)
## Welche features möchten wir nutzen?
features <- colnames(join_data)[!(colnames(join_data) %in% c("Open", "Sales","logSales","Customers", "Per_Day", "Date"))]
## Random Forest Modell trainieren
rfHex <- h2o.randomForest(x = features,
y = "logSales",
ntrees = 100,
max_depth = 15,
nbins_cats = 1115,
training_frame = trainHex,
ignore_const_cols = F,
nfolds = 5,
seed = 1
)
h2o.cross_validation_models(rfHex)
h2o.saveModel(object = rfHex, path = dirname(rstudioapi::getActiveDocumentContext()$path))
summary(rfHex)
h2o::h2o.varimp(rfHex) %>%
as.data.frame() %>%
mutate(variable = fct_reorder(variable, percentage)) %>%
ggplot(aes(x = variable, y = percentage, color = "#000000", fill = "#000000")) +
geom_segment(aes(xend = variable, yend = 0), show.legend = FALSE, size = 4, color = "#000000") +
theme_ipsum_rc() +
xlab("") +
coord_flip() +
labs(title = "Wichtigkeit der Features")
#### Vorhersage ####
## Modell laden
rfHex <- h2o.loadModel("/home/sebastian/Github/Rossmann_Store_Sales/DRF_model_R_1600772321784_1")
## Laden und angleichen der Test-Daten
test <- read_csv("test.csv")
sum(is.na(test))
spalten <- c("Store", "Open", "Promo", "StateHoliday", "SchoolHoliday")
test[, spalten] <- sapply(test[, spalten], as.factor)
test %>% filter(Open == 0)
test_clean <- test %>% filter(Open != 0)
test_clean <- test_clean %>% filter_all(all_vars(!is.infinite(.)))
test_clean[which(is.na(test_clean$StateHoliday)),"StateHoliday"] <- "0"
which(is.na(test_clean))
## Angleichen an Trainingsdatensatz
store <- as.data.frame(read_csv("store.csv"))
spalten <- c("Store", "StoreType", "Assortment", "Promo2")
store[,spalten] <- sapply(store[,spalten], as.factor)
store[which(is.na(store$PromoInterval)),"PromoInterval"] <- "Jan,Apr,Jul,Oct"
which(is.na(store$PromoInterval))
store <- store %>% select(!c(CompetitionOpenSinceMonth, CompetitionOpenSinceYear, Promo2SinceWeek, Promo2SinceYear))
store[which(is.na(store$CompetitionDistance)),"CompetitionDistance"] <- c(5040, 1790, 5040)
## Zusammenführen
join_test <- left_join(test_clean, store, by = "Store")
## Features
join_vis <- join_test
join_test <- as.data.table(join_test)
join_test[, Month:=as.integer(format(Date, "%m"))]
join_test[, Year:=as.integer(format(Date, "%y"))]
join_test[, Weekday:=as.integer(format(Date, "%V"))]
join_test[, Promo:=as.factor(Promo)]
join_test[, StoreType:=as.factor(StoreType)]
join_test[, Promo2:=as.factor(Promo2)]
join_test[, SchoolHoliday:=as.factor(SchoolHoliday)]
join_test[, StateHoliday:=as.factor(StateHoliday)]
join_test[, Assortment:=as.factor(Assortment)]
join_test[, Store:=as.factor(Store)]
join_test[, PromoInterval:=as.factor(PromoInterval)]
join_test[, Date:=NULL]
join_test <- join_test %>%
mutate(Month_sin = sin(Month - 1)*(2*pi/12),
Month_cos = cos(Month - 1)*(2*pi/12),
Day_sin = sin(DayOfWeek - 1)*(2*pi/7),
Day_cos = cos(DayOfWeek - 1)*(2*pi/7),
Weekday_sin = sin(Weekday -1)*(2*pi/52),
Weekday_cos = cos(Weekday -1)*(2*pi/52))
testHex <- as.h2o(join_test)
## Vorhersagen speichern
predictions <- as.data.frame(h2o.predict(rfHex, testHex))
## log-Vorhersagen zurücktransformieren
pred <- expm1(predictions[,1])
summary(pred)
submission <- data.frame(Id = join_test$Id, Sales=pred)
write.csv(submission, "h2o_random_forest.csv",row.names=F)
#### Visualisierung der Vorhersagen ####
joined_pred <- left_join(join_vis, submission, by = "Id")
joined_pred <- as.data.frame(joined_pred)
joined_pred %>%
#filter(Promo == 0 & Promo2 == 0) %>%
group_by(StoreType, Date) %>%
summarise(MeanSales = mean(Sales)) %>%
ggplot(aes(x = Date, y = MeanSales, color = StoreType, group = StoreType)) +
geom_line() +
geom_point() +
facet_wrap(~StoreType) +
theme_ipsum_rc() +
scale_color_ipsum()
# Alten Datensatz wiederherstellen
train <- read.csv("train.csv")
train <- train %>%
mutate(logSales = log(Sales))
train <- train %>% mutate(Per_Day = Sales / Customers)
train_clean <- train %>% filter(Open != 0)
train_clean <- train_clean %>% filter_all(all_vars(!is.infinite(.)))
complete <- join_data %>% mutate(Date = as.Date(train_clean[,"Date"]))
complete <- complete %>% mutate(predicted = "Observed")
# um Vorhersagen ergänzen ##
joined_pred <- joined_pred %>% mutate(predicted = "Predicted")
joined_pred <- joined_pred %>% select(!Id)
complete_all <- complete %>% select(colnames(joined_pred))
complete_all <- rbind(complete_all, joined_pred)
# Visualisieren der Vorhersage der nächsten 6 Wochen
complete_all %>%
group_by(Date, predicted) %>%
summarise(MeanSales = mean(Sales)) %>%
ggplot(aes(x = Date, y = MeanSales, color = predicted)) +
geom_line() +
#geom_point() +
geom_vline(xintercept = as.numeric(as.Date("2015-08-01")), linetype = 2) +
theme_ipsum_rc() +
ggtitle("Vorhersage der gemittelten Erträge der nächsten 6 Wochen") +
scale_color_manual(values = c("#b7ceda", "#0072b2"))
# Visualisieren der Vorhersage der nächsten 6 Wochen für einen Store