sktime

Bem -vindo ao sktime

Uma interface unificada para aprendizado de máquina com séries temporais

Versão 0.34.0 fora agora! Confira as notas de lançamento aqui.

Sktime é uma biblioteca para análise de séries temporais em Python. Ele fornece uma interface unificada para várias tarefas de aprendizado de séries temporais. Atualmente, isso inclui previsão, classificação de séries temporais, clustering, detecção de anomalia/mudança e outras tarefas. Ele vem com algoritmos de séries temporais e ferramentas compatíveis com Scikit-Learn para criar, ajustar e validar modelos de séries temporais.

	Documentação · Tutoriais · Notas de liberação
Código aberto
Tutoriais
Comunidade
CI/CD
Código
Downloads
Citação

Documentação

Documentação
Tutoriais	Novo no sktime? Aqui está tudo o que você precisa saber!
? Notebooks de fichário	Exemplo de cadernos para brincar no seu navegador.
? ‍ Exemplos	Como usar o SKTime e seus recursos.
Modelos de extensão de extensão	Como construir seu próprio estimador usando a API do SKTIME.
? Sustce referência da API	A referência detalhada da API do Sktime.
Tutorial em vídeo	Nosso tutorial em vídeo da 2021 Pydata Global.
Changelog	Mudanças e histórico de versão.
? Roteiro	Plano de Desenvolvimento de Software e Comunidade da SKTime.
Software relacionado	Uma lista de software relacionado.

Onde fazer perguntas

Perguntas e feedback são extremamente bem -vindos! Acreditamos firmemente no valor do compartilhamento de ajuda publicamente, pois isso permite que um público mais amplo se beneficie dele.

Tipo	Plataformas
? Relatórios de bug	Rastreador de problemas do github
Solicitações e ideias de recursos	Rastreador de problemas do github
? ‍ Perguntas de uso	Discussões do Github · Flack Overflow
Discussão geral	Discussões do Github
? Contribuição e desenvolvimento	canal dev-chat · discórdia
Encontros e sessões de colaboração	Discord - Sextas -feiras 13 UTC, canal Dev/Meet -Ups

? Características

Nosso objetivo é aumentar a interoperabilidade e a usabilidade do ecossistema de análise de séries temporais em sua totalidade. O SKTime fornece uma interface unificada para tarefas de aprendizado de séries temporais distintas, mas relacionadas . Possui algoritmos e ferramentas dedicados de séries temporais para construção de modelos compostos , como pipelining, conjunto, ajuste e redução, capacitando os usuários a aplicar algoritmos projetados para uma tarefa a outra.

O SKTime também fornece interfaces para bibliotecas relacionadas , por exemplo, Scikit-Learn, StatsModels, Tsfresh, Pyod e FBProphet, entre outros.

Módulo	Status	Links
Previsão	estável	Tutorial · Referência da API · Modelo de Extensão
Classificação de séries temporais	estável	Tutorial · Referência da API · Modelo de Extensão
Regressão da série temporal	estável	Referência da API
Transformações	estável	Tutorial · Referência da API · Modelo de Extensão
Ajuste de parâmetros	amadurecido	API Reference · Modelo de extensão
Cluster de séries temporais	amadurecido	API Reference · Modelo de extensão
Distâncias da série temporal/kernels	amadurecido	Tutorial · Referência da API · Modelo de Extensão
Alinhamento da série temporal	experimental	API Reference · Modelo de extensão
Tarefas de detecção	experimental	Modelo de extensão
Splitters da série temporal	amadurecido	Modelo de extensão
Distribuições e simulação	experimental

⏳ Instale o sktime

Para solução de problemas e instruções detalhadas de instalação, consulte a documentação.

• Sistema Operacional : MacOS X · Linux · Windows 8.1 ou superior
• Versão Python : Python 3.8, 3.9, 3.10, 3.11 e 3.12 (apenas 64 bits)
• Gerentes de pacotes : pip · conda (via conda-forge )

pip

Usando o PIP, os lançamentos do SKTime estão disponíveis como pacotes de origem e rodas binárias. As rodas disponíveis estão listadas aqui.

pip install sktime

ou, com dependências máximas,

pip install sktime[all_extras]

Para conjuntos de dependências suaves para tarefas específicas de aprendizado:

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

ou similar. Conjuntos válidos são:

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

Caverna: Em geral, nem todas as dependências suaves para uma tarefa de aprendizado são instaladas, apenas uma seleção com curadoria.

CONDA

Você também pode instalar o Sktime a partir conda através do canal conda-forge . A matéria-prima, incluindo a receita de construção e a configuração, é mantida neste repositório Conde-Forge.

conda install -c conda-forge sktime

ou, com dependências máximas,

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

(Como conda não suporta conjuntos de dependência, a escolha flexível de dependências suaves está indisponível via conda )

⚡ Investir rápido

Previsão

 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

Classificação de séries temporais

 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 

Como se envolver

Existem muitas maneiras de ingressar na comunidade SKTime. Seguimos a especificação de todos os contribuintes: todos os tipos de contribuições são bem -vindos - não apenas o código.

Documentação
? Contribuir	Como contribuir para o sktime.
? Orientação	Novo para o código aberto? Aplique ao nosso programa de mentoria!
? Reuniões	Participe de nossas discussões, tutoriais, workshops e sprints!
? ‍? Guias de desenvolvedor	Como desenvolver ainda mais a base de código do SKTime.
? Propostas de aprimoramento	Projete um novo recurso para o sktime.
? Colaboradores	Uma lista de todos os colaboradores.
? Papéis	Uma visão geral de nossos papéis principais da comunidade.
? Doar	Fund SKTime Manutenção e Desenvolvimento.
? ️ Governança	Como e por quem as decisões são tomadas na comunidade de Sktime.

? Hall of Fame

Obrigado a toda a nossa comunidade por todas as suas maravilhosas contribuições, PRs, questões, idéias.

Visão do projeto

• Pela comunidade, para a comunidade - desenvolvida por uma comunidade amigável e colaborativa.
• A ferramenta certa para a tarefa certa - ajudando os usuários a diagnosticar seu problema de aprendizado e tipos de modelos científicos adequados.
• Incorporado em ecossistemas de última geração e fornecedor de interfaces interoperáveis -interoperáveis ​​com o Scikit-Learn, StatsModels, Tsfresh e outros favoritos da comunidade.
• Funcionalidade de composição e redução de modelos ricos -Construa tubulações de ajuste e extração de recursos, resolva tarefas de previsão com regressores Scikit-Learn.
• Sintaxe de especificação descritiva e limpa -com base nos princípios modernos de design orientados a objetos para a ciência de dados.
• Avaliação e benchmarking do modelo justo - Crie seus modelos, inspecione seus modelos, verifique seus modelos e evite armadilhas.
• Facilmente extensível - modelos de extensão fácil para adicionar seus próprios algoritmos compatíveis com a API do SKTIME.