🔗 Integrar modelos de forecasting en Python dentro del ecosistema Tidyverse

#

💡 Una solución elegante para combinar lo mejor de dos mundos:

• 🐍 Modelos avanzados de Python (como nnetsauce y cybooster)
• 📊 Manipulación y visualización en R con dplyr, ggplot2 y plotly

Este enfoque permite usar modelos de predicción no estándar en Python y luego procesar, validar y visualizar todo en R sin perder la coherencia del flujo de trabajo tidy.

🧩 ¿Qué hace especial esta integración?

#

• 🔌 Uso de reticulate para conectar ambos lenguajes.
• 🔄 Conversión de predicciones Python → tibbles R.
• 🎨 Visualización personalizada en ggplot2, evitando limitaciones de modeltime.
• 📉 Ajuste manual de intervalos de confianza basados en MAPE real, mejorando la interpretación.

🟦 Explicación en pocas palabras

#

Imagina que Python es una máquina muy potente para predecir el futuro, pero que R es el mejor lugar para ordenar datos y hacer gráficos bonitos.
Este método crea un “puente” entre ambos:

Python hace las predicciones → R las organiza → R las dibuja.

Así puedes usar modelos complejos sin renunciar a la comodidad del Tidyverse.

Más información en el link 👇

Interface to Python

Interface to Python modules, classes, and functions. When calling into Python, R data types are automatically converted to their equivalent …

rstudio.github.io ↗