sktime
v0.34.0
与时间序列的机器学习的统一接口
版本0.34.0现在发布！在此处查看发行说明。
SKTITE是Python中时间序列分析的库。它为多个时间序列学习任务提供了一个统一的界面。当前，这包括预测，时间序列分类，聚类，异常/更改点检测和其他任务。它具有时间序列算法和Scikit-Learn兼容工具，以构建，调整和验证时间序列模型。
| 文档·教程·发行说明 | |
|---|---|
| 开源 | |
| 教程 | |
| 社区 | |
| CI/CD | |
| 代码 | |
| 下载 | |
| 引用 |
| 文档 | |
|---|---|
| 教程 | 新的Sktime？这是您需要知道的一切！ |
| ？活页夹笔记本 | 示例笔记本在您的浏览器中使用。 |
| ？ 例子 | 如何使用SKTIME及其功能。 |
| ✂️扩展模板 | 如何使用SKTITE的API构建自己的估计器。 |
| ？ API参考 | SKTITE API的详细参考。 |
| 视频教程 | 我们的视频教程来自2021年Pydata Global。 |
| ChangElog | 更改和版本历史记录。 |
| ？路线图 | SKTITE的软件和社区发展计划。 |
| 相关软件 | 相关软件列表。 |
非常欢迎问题和反馈！我们坚信共享帮助的价值，因为它使更多的受众从中受益。
| 类型 | 平台 |
|---|---|
| ？错误报告 | GitHub问题跟踪器 |
| 功能请求和想法 | GitHub问题跟踪器 |
| 使用问题 | github讨论·堆栈溢出 |
| 一般讨论 | Github讨论 |
| ？贡献与发展 | dev-chat频道·不和谐 |
| 聚会和协作会议 | DISCORD-星期五13 UTC，开发/聚会频道 |
我们的目标是增强时间序列分析生态系统的互操作性和可用性。 SKTITE为不同但相关的时间序列学习任务提供了统一的界面。它具有专门的时间序列算法和用于复合模型构建的工具，例如管道，结合，调整和减少，使用户能够将设计为另一个任务设计的算法应用于另一个任务。
SKTITE还为相关库提供了接口，例如Scikit-Learn，StatsModels，Tsfresh，Pyod和FbProphet等。
| 模块 | 地位 | 链接 |
|---|---|---|
| 预测 | 稳定的 | 教程·API参考·扩展模板 |
| 时间序列分类 | 稳定的 | 教程·API参考·扩展模板 |
| 时间序列回归 | 稳定的 | API参考 |
| 转型 | 稳定的 | 教程·API参考·扩展模板 |
| 参数拟合 | 成熟 | API参考·扩展模板 |
| 时间序列聚类 | 成熟 | API参考·扩展模板 |
| 时间序列距离/内核 | 成熟 | 教程·API参考·扩展模板 |
| 时间序列对齐 | 实验 | API参考·扩展模板 |
| 检测任务 | 实验 | 扩展模板 |
| 时间序列拆分器 | 成熟 | 扩展模板 |
| 分布和仿真 | 实验 |
有关故障排除和详细的安装说明，请参见文档。
conda-forge ）使用PIP可以作为源软件包和二进制轮毂提供SKTIME版本。可用的车轮在此处列出。
pip install sktime或者，具有最大的依赖关系，
pip install sktime[all_extras]对于特定学习任务的精选软依赖组集：
pip install sktime[forecasting] # for selected forecasting dependencies
pip install sktime[forecasting,transformations] # forecasters and transformers或类似。有效集是：
forecastingtransformationsclassificationregressionclusteringparam_estnetworksdetectionalignment洞穴：通常，并非所有用于学习任务的软依赖性都安装了，只是一个精选的选择。
您也可以通过conda-forge频道从conda安装Sktime。在此Conda-Forge存储库中保留了包括构建食谱和配置在内的原料。
conda install -c conda-forge sktime或者，具有最大的依赖关系，
conda install -c conda-forge sktime-all-extras （由于conda不支持依赖性集，因此通过conda无法使用软依赖性的灵活选择）
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 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 加入SKTIME社区的方法有很多。我们遵循全部构件的规范：欢迎各种贡献 - 不仅仅是代码。
| 文档 | |
|---|---|
| ？贡献 | 如何为Sktime做出贡献。 |
| ？指导 | 新的到开源？申请我们的指导计划！ |
| ？会议 | 加入我们的讨论，教程，研讨会和冲刺！ |
| ？？开发人员指南 | 如何进一步开发SKTITE的代码库。 |
| ？增强建议 | 为SKTIME设计新功能。 |
| ？贡献者 | 所有贡献者的清单。 |
| ？角色 | 我们核心社区角色的概述。 |
| ？捐 | 资助SKTIME维护和开发。 |
| ？️治理 | 在Sktime社区中做出的决定和由谁决定。 |
感谢我们所有社区所做的所有出色贡献，公关，问题，想法。
