sktime

Bienvenido a Sktime

Una interfaz unificada para el aprendizaje automático con series de tiempo

Versión 0.34.0 Out ahora! Mira las notas de la versión aquí.

Sktime es una biblioteca para el análisis de series de tiempo en Python. Proporciona una interfaz unificada para múltiples tareas de aprendizaje de series temporales. Actualmente, esto incluye pronósticos, clasificación de series de tiempo, clúster, anomalía/detección de puntos de cambio y otras tareas. Viene con algoritmos de series temporales y herramientas compatibles con Scikit-Learn para construir, ajustar y validar modelos de series de tiempo.

	Documentación · Tutoriales · Notas de lanzamiento
Código abierto
Tutoriales
Comunidad
CI/CD
Código
Descargas
Citación

Documentación

Documentación
Tutoriales	Nuevo en Sktime? ¡Aquí está todo lo que necesitas saber!
? Portátiles de carpeta	Ejemplo de cuadernos para jugar en su navegador.
? ‍ Ejemplos	Cómo usar Sktime y sus características.
✂️ Plantillas de extensión	Cómo construir su propio estimador usando la API de Sktime.
? ️ Referencia de API	La referencia detallada para la API de Sktime.
Tutorial de video	Nuestro video tutorial de 2021 Pydata Global.
Colegio de cambios	Cambios e historial de versiones.
? Hoja de ruta	El plan de software y desarrollo comunitario de Sktime.
Software relacionado	Una lista de software relacionado.

Donde hacer preguntas

¡Las preguntas y los comentarios son extremadamente bienvenidos! Creemos firmemente en el valor de compartir ayuda públicamente, ya que permite que un público más amplio se beneficie de él.

Tipo	Plataformas
? Informes de errores	Rastreador de problemas de Github
Solicitudes e ideas de funciones	Rastreador de problemas de Github
? ‍ Preguntas de uso	Discusiones de Github · Overflow de pila
Discusión general	Discusiones de Github
? Contribución y desarrollo	canal dev-chat · Discord
Reuniones y sesiones de colaboración	Discord - Viernes 13 UTC, CANAL DEV/MEJORES

? Características

Nuestro objetivo es mejorar la interoperabilidad y usabilidad del ecosistema de análisis de series de tiempo en su totalidad. Sktime proporciona una interfaz unificada para tareas de aprendizaje de series de tiempo distintas pero relacionadas . Cuenta con algoritmos y herramientas de series de tiempo dedicadas para la construcción de modelos compuestos, como canalización, conjunto, ajuste y reducción, lo que permite a los usuarios aplicar algoritmos diseñados para una tarea a otra.

Sktime también proporciona interfaces a bibliotecas relacionadas , por ejemplo, Scikit-Learn, Statsmodels, Tsfresh, Pyod y FBProphet, entre otros.

Módulo	Estado	Campo de golf
Pronóstico	estable	Tutorial · Referencia de API · Plantilla de extensión
Clasificación de series de tiempo	estable	Tutorial · Referencia de API · Plantilla de extensión
Regresión de series de tiempo	estable	Referencia de API
Transformaciones	estable	Tutorial · Referencia de API · Plantilla de extensión
Ajuste de parámetros	madurante	Referencia de API · Plantilla de extensión
Agrupación de series de tiempo	madurante	Referencia de API · Plantilla de extensión
Distancias/núcleos de series de tiempo	madurante	Tutorial · Referencia de API · Plantilla de extensión
Alineación de series de tiempo	experimental	Referencia de API · Plantilla de extensión
Tareas de detección	experimental	Plantilla de extensión
Splitters de series de tiempo	madurante	Plantilla de extensión
Distribuciones y simulación	experimental

⏳ Instale SKTime

Para la resolución de problemas e instrucciones de instalación detalladas, consulte la documentación.

• Sistema operativo : macOS x · Linux · Windows 8.1 o superior
• Versión de Python : Python 3.8, 3.9, 3.10, 3.11 y 3.12 (solo 64 bits)
• Gerentes de paquetes : pip · conda (a través de conda-forge )

pepita

Usando PIP, las versiones de Sktime están disponibles como paquetes de origen y ruedas binarias. Las ruedas disponibles se enumeran aquí.

pip install sktime

o, con las máximas dependencias,

pip install sktime[all_extras]

Para conjuntos curados de dependencias suaves para tareas de aprendizaje específicas:

pip install sktime[forecasting]  # for selected forecasting dependencies
pip install sktime[forecasting,transformations]  # forecasters and transformers

o similar. Los conjuntos válidos son:

• forecasting
• transformations
• classification
• regression
• clustering
• param_est
• networks
• detection
• alignment

Cave: En general, no todas las dependencias suaves para una tarea de aprendizaje se instalan, solo una selección curada.

condición

También puede instalar Sktime desde conda a través del canal conda-forge . La materia prima, incluida la receta de compilación y la configuración, se mantiene en este repositorio de Conda-Forge.

conda install -c conda-forge sktime

o, con las máximas dependencias,

conda install -c conda-forge sktime-all-extras

(Como conda no admite conjuntos de dependencia, la elección flexible de dependencias suaves no está disponible a través de conda )

⚡

Pronóstico

 from sktime . datasets import load_airline
from sktime . forecasting . base import ForecastingHorizon
from sktime . forecasting . theta import ThetaForecaster
from sktime . split import temporal_train_test_split
from sktime . performance_metrics . forecasting import mean_absolute_percentage_error

y = load_airline ()
y_train , y_test = temporal_train_test_split ( y )
fh = ForecastingHorizon ( y_test . index , is_relative = False )
forecaster = ThetaForecaster ( sp = 12 )  # monthly seasonal periodicity
forecaster . fit ( y_train )
y_pred = forecaster . predict ( fh )
mean_absolute_percentage_error ( y_test , y_pred )
>> > 0.08661467738190656

Clasificación de series de tiempo

 from sktime . classification . interval_based import TimeSeriesForestClassifier
from sktime . datasets import load_arrow_head
from sklearn . model_selection import train_test_split
from sklearn . metrics import accuracy_score

X , y = load_arrow_head ()
X_train , X_test , y_train , y_test = train_test_split ( X , y )
classifier = TimeSeriesForestClassifier ()
classifier . fit ( X_train , y_train )
y_pred = classifier . predict ( X_test )
accuracy_score ( y_test , y_pred )
>> > 0.8679245283018868 

Cómo involucrarse

Hay muchas maneras de unirse a la comunidad Sktime. Seguimos la especificación de todos los contribuyentes: todo tipo de contribuciones son bienvenidas, no solo el código.

Documentación
? Contribuir	Cómo contribuir a Sktime.
? Tutoría	Nuevo en código abierto? ¡Solicite a nuestro programa de mentoría!
? Reuniones	¡Únase a nuestras discusiones, tutoriales, talleres y sprints!
? ‍? Guías de desarrolladores	Cómo desarrollar aún más la base de código de Sktime.
? Propuestas de mejora	Diseñe una nueva característica para Sktime.
? Colaboradores	Una lista de todos los contribuyentes.
? Roles	Una descripción general de nuestros roles comunitarios principales.
? Donar	Fondo de mantenimiento y desarrollo de Sktime.
? ️ Gobierno	Cómo y por quién se toman las decisiones en la comunidad de Sktime.

? Salón de la Fama

Gracias a toda nuestra comunidad por todas sus maravillosas contribuciones, PRS, temas, ideas.

Visión del proyecto

• Por la comunidad, para la comunidad , desarrollada por una comunidad amigable y colaborativa.
• La herramienta adecuada para la tarea correcta : ayudar a los usuarios a diagnosticar su problema de aprendizaje y tipos de modelos científicos adecuados.
• Incrustado en ecosistemas de última generación y proveedor de interfaces interoperables , interoperable con Scikit-Learn, Statsmodels, Tsfresh y otros favoritos de la comunidad.
• Composición de modelo rico y funcionalidad de reducción : compilación de tuberías de extracción de características, resuelva tareas de pronóstico con regresores de Scikit-Learn.
• Sintaxis de especificación limpia y descriptiva , basada en principios de diseño modernos orientados a objetos para la ciencia de datos.
• Evaluación de modelos justos y evaluación comparativa : construya sus modelos, inspeccione sus modelos, verifique sus modelos y evite las trampas.
• Fácilmente extensible : plantillas de extensión fáciles para agregar sus propios algoritmos compatibles con la API de Sktime.