sktime
v0.34.0
與時間序列的機器學習的統一接口
版本0.34.0現在發布！在此處查看發行說明。
SKTITE是Python中時間序列分析的庫。它為多個時間序列學習任務提供了一個統一的界面。當前，這包括預測，時間序列分類，聚類，異常/更改點檢測和其他任務。它具有時間序列算法和Scikit-Learn兼容工具，以構建，調整和驗證時間序列模型。
| 文檔·教程·發行說明 | |
|---|---|
| 開源 | |
| 教程 | |
| 社區 | |
| CI/CD | |
| 代碼 | |
| 下載 | |
| 引用 |
| 文件 | |
|---|---|
| 教程 | 新的Sktime？這是您需要知道的一切！ |
| ？活頁夾筆記本 | 示例筆記本在您的瀏覽器中使用。 |
| ？ 例子 | 如何使用SKTIME及其功能。 |
| ✂️擴展模板 | 如何使用SKTITE的API構建自己的估計器。 |
| ？ API參考 | SKTITE API的詳細參考。 |
| 視頻教程 | 我們的視頻教程來自2021年Pydata Global。 |
| ChangElog | 更改和版本歷史記錄。 |
| ？路線圖 | SKTITE的軟件和社區發展計劃。 |
| 相關軟件 | 相關軟件列表。 |
非常歡迎問題和反饋！我們堅信共享幫助的價值，因為它使更多的受眾從中受益。
| 類型 | 平台 |
|---|---|
| ？錯誤報告 | GitHub問題跟踪器 |
| 功能請求和想法 | GitHub問題跟踪器 |
| 使用問題 | github討論·堆棧溢出 |
| 一般討論 | Github討論 |
| ？貢獻與發展 | dev-chat頻道·不和諧 |
| 聚會和協作會議 | DISCORD-星期五13 UTC，開發/聚會頻道 |
我們的目標是增強時間序列分析生態系統的互操作性和可用性。 SKTITE為不同但相關的時間序列學習任務提供了統一的界面。它具有專門的時間序列算法和用於復合模型構建的工具，例如管道，結合，調整和減少，使用戶能夠將設計為另一個任務設計的算法應用於另一個任務。
SKTITE還為相關庫提供了接口，例如Scikit-Learn，StatsModels，Tsfresh，Pyod和FbProphet等。
| 模塊 | 地位 | 鏈接 |
|---|---|---|
| 預測 | 穩定的 | 教程·API參考·擴展模板 |
| 時間序列分類 | 穩定的 | 教程·API參考·擴展模板 |
| 時間序列回歸 | 穩定的 | API參考 |
| 轉型 | 穩定的 | 教程·API參考·擴展模板 |
| 參數擬合 | 成熟 | API參考·擴展模板 |
| 時間序列聚類 | 成熟 | API參考·擴展模板 |
| 時間序列距離/內核 | 成熟 | 教程·API參考·擴展模板 |
| 時間序列對齊 | 實驗 | API參考·擴展模板 |
| 檢測任務 | 實驗 | 擴展模板 |
| 時間序列拆分器 | 成熟 | 擴展模板 |
| 分佈和仿真 | 實驗 |
有關故障排除和詳細的安裝說明，請參見文檔。
conda-forge ）使用PIP可以作為源軟件包和二進制輪轂提供SKTIME版本。可用的車輪在此處列出。
pip install sktime或者，具有最大的依賴關係，
pip install sktime[all_extras]對於特定學習任務的精選軟依賴組集：
pip install sktime[forecasting] # for selected forecasting dependencies
pip install sktime[forecasting,transformations] # forecasters and transformers或類似。有效集是：
forecastingtransformationsclassificationregressionclusteringparam_estnetworksdetectionalignment洞穴：通常，並非所有用於學習任務的軟依賴性都安裝了，只是一個精選的選擇。
您也可以通過conda-forge頻道從conda安裝Sktime。在此Conda-Forge存儲庫中保留了包括構建食譜和配置在內的原料。
conda install -c conda-forge sktime或者，具有最大的依賴關係，
conda install -c conda-forge sktime-all-extras （由於conda不支持依賴性集，因此通過conda無法使用軟依賴性的靈活選擇）
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社區的方法有很多。我們遵循全部構件的規範：歡迎各種貢獻 - 不僅僅是代碼。
| 文件 | |
|---|---|
| ？貢獻 | 如何為Sktime做出貢獻。 |
| ？指導 | 新的到開源？申請我們的指導計劃！ |
| ？會議 | 加入我們的討論，教程，研討會和衝刺！ |
| ？？開發人員指南 | 如何進一步開發SKTITE的代碼庫。 |
| ？增強建議 | 為SKTIME設計新功能。 |
| ？貢獻者 | 所有貢獻者的清單。 |
| ？角色 | 我們核心社區角色的概述。 |
| ？捐 | 資助SKTIME維護和開發。 |
| ？️治理 | 在Sktime社區中做出的決定和由誰決定。 |
感謝我們所有社區所做的所有出色貢獻，公關，問題，想法。
