- 综合排序
- 最热优先
- 最新优先
- 来自专栏日常学python
sktime，一个高级的 Python 库！
安装 可以使用pip工具来安装Python sktime库： pip install sktime 安装完成后，就可以开始使用sktime库进行时间序列数据分析了。 时间序列特征提取 from sktime.feature_extraction import FeatureUnion from sktime.feature_extraction.compose import sktime库提供了丰富的特征提取方法，例如统计特征、频域特征等。 sktime库提供了方便的交叉验证方法，例如滑动窗口交叉验证。 sktime库可以帮助医疗专业人士对时间序列数据进行分析和预测。
69210编辑于 2024-04-24 - 来自专栏数据STUDIO
多步时间序列预测策略实战
多步预测的递归策略 n 个周期、n 个模型的直接预测策略 使用 ARIMA 的递归策略 安装 sktime 库和 lightGBM 库。 !pip install sktime ! Pandas 系列保留了 sktime 所需的索引。 在sktime中，可以通过控制超参数来简化这一操作。 简介 Sktime是一个开源的Python库，集成了许多预测工具，包括时间序列预测、分类、聚类和异常检测的工具和算法。 我们还学习了 Python 软件包 "sktime"，它支持轻松执行这两种策略。
1.3K11编辑于 2024-06-27 - 来自专栏小数志
Python中的时序分析工具包推荐（1）
本篇首先介绍3个：tsfresh、tslearn、sktime。 sktime工具包的功能特性如下： 虽然sktime与tslearn类似，同样延续了sklearn的API风格（例如模型训练用fit、预测用predict，评分用score等等），但在功能上sktime 与此同时，sktime也集结了一些深度学习的模型，包括Transformer等，这也为sktime提供了更强的竞争力。 关于sktime的相关参考信息如下： 论文：https://arxiv.org/abs/1909.07872 文档：https://www.sktime.org/en/stable/index.html GitHub：https://github.com/alan-turing-institute/sktime（4.8k star） 04 小结 总体而言，三个时序工具包各有特色，提供的功能也互为补充：
2K20编辑于 2021-12-27 - 来自专栏DeepHub IMBA
时序数据预测：ROCKET vs Time Series Forest vs TCN vs XGBoost
我将尝试使用 sktime 库（一个时间序列库）以及 XGBoost 和 keras-TCN（一个时间卷积网络库）为 NIFTY 回答这个问题。 ) valx_transform = rocket.transform(Xtest_sktime) clf = RidgeClassifierCV(alphas = np.logspace(-4,4 ) print("Accuracy with Rocket: %2.3f" % accuracy_score(ytest_sktime, predicted)) print("Matthews , ytrain_sktime) print("Accuracy: ", accuracy_score(ytest_sktime, tsf.predict(Xtest_sktime))) print ("MCC: ", matthews_corrcoef(ytest_sktime, tsf.predict(Xtest_sktime))) XGBoost——我还用 XGBClassifier() 训练了一个模型
1.7K20发布于 2021-07-23 - 来自专栏素质云笔记
回顾︱时间序列预测与分解有哪些模型？（一）
5176.9876270.0.0.1b6d2ef1x7fsim 3 分解 + 预测结合 参考：时间序列分解之一 https://zhuanlan.zhihu.com/p/322273740 分解+预测联合来做，sktime 有实现一部分这样的功能，不过sktime并没有进行时间序列分解，而是用多项式回归来提取趋势性数据的部分，因为对于gbdt来说，消除趋势就可以了，周期其实不需要消除，周期本身是循环的，分布是稳定的，就好像这样 几个算法库： 3.1 sktime Sktime是一个使用时间序列进行机器学习的开源Python工具箱。 https://github.com/alan-turing-institute/sktime Currently, sktime provides: State-of-the-art algorithms 4.2 sktime-dl https://github.com/sktime/sktime-dl 序列分类包含： Time convolutional neural network (CNN) Encoder
3.2K11编辑于 2021-12-07 - 来自专栏DeepHub IMBA
2022年10个用于时间序列分析的Python库推荐
Sktime Sktime是一个用于处理时间序列数据的Python库。它提供了一组处理时间序列数据的工具，包括用于处理、可视化和分析数据的工具。 Sktime的设计是易于使用和可扩展的，这样新的时间序列算法就可以很容易地实现并且进行集成。 该库包含专门的机器学习算法以及时间序列的独特的转换方法，在其他库中并没有提供，所以Sktime可以作为一个非常好的基础库。 根据sktime的文档，“我们的目标是使时间序列分析生态系统作为一个整体更具互操作性和可用性。Sktime为不同但相关的时间序列学习任务提供了统一的接口。 下面是一个代码样例 from sktime.datasets import load_airline from sktime.forecasting.model_selection import temporal_train_test_split
2.1K40编辑于 2022-11-11 - 来自专栏Python进阶之路
PyCaret 成功解决无法从‘sklearn.model_selection._search‘导入名称“_check_param_grid”
在使用 pycaret-ts-alpha 时遇到报错，如下所示： 这是因为在 sktime 依赖项中使用了来自 sklearn 的私有方法。 sktime 团队正在努力解决这个问题。同时，您可以通过强制安装 sklearn 1.0.2 来修复此问题。
1.8K40编辑于 2022-06-25 【随便看看】嵌入向量数据集| 时间序列 | 数据集
全球太阳能热发电年能源消耗量 具有时间序列的机器学习的统一框架 原文链接 想象一下，未来的时间序列分析就像搭积木：sktime 用一套 Python API，把预测、分类、回归、聚类像拼图一样无缝衔接。 # get the data from sktime.datasets import load_airline y = load_airline() import numpy as np from sktime.forecasting.naive import NaiveForecaster # step 1: specify the forecasting algorithm forecaster forecaster forecaster.fit(y, fh=fh) # step 4: make the forecast y_pred = forecaster.predict() from sktime.utils.plotting
13610编辑于 2026-03-16- 来自专栏数据派THU
LazyProphet：使用 LightGBM 进行时间序列预测
下面是Sktime 包和他们的论文所做的出色工作[1]： 任何带有“XGB”或“RF”的模型都使用基于树的集成。在上面的列表中 Xgboost 在每小时数据集中提供了 10.9 的最佳结果！ 然后，但是这些模型只是Sktime 在他们框架中做过的简单尝试，而 M4 的获胜者在同一数据集上的得分是 9.3 分……。 结果 对于上面的 Sktime 结果，表格如下： LazyProphet 击败了 Sktime 最好的模型，其中包括几种不同的基于树的方法。 引用： [1] Markus Löning, Franz Király: “Forecasting with sktime: Designing sktime’s New Forecasting API
1.7K21编辑于 2022-03-15 - 来自专栏DeepHub IMBA
LazyProphet：使用 LightGBM 进行时间序列预测
下面是Sktime 包和他们的论文所做的出色工作[1]： 任何带有“XGB”或“RF”的模型都使用基于树的集成。在上面的列表中 Xgboost 在每小时数据集中提供了 10.9 的最佳结果！ 然后，但是这些模型只是Sktime 在他们框架中做过的简单尝试，而 M4 的获胜者在同一数据集上的得分是 9.3 分……。 结果 对于上面的 Sktime 结果，表格如下： LazyProphet 击败了 Sktime 最好的模型，其中包括几种不同的基于树的方法。 引用： [1] Markus Löning, Franz Király: “Forecasting with sktime: Designing sktime’s New Forecasting API
95030编辑于 2022-04-14 - 来自专栏数据STUDIO
时间序列数据处理，不再使用pandas
本文的目标是介绍 DarTS、GluonTS、Sktime、pmdarima 和 Prophet/NeuralProphet 库的数据格式。 由于 Sktime、pmdarima 和 Prophet/NeuralProphet 都与 pandas 兼容，因此只需花更多时间学习。 pip install sktime pmdarima neuralprophet 获取长式数据集 加载一个长式数据集。 Sktime Sktime旨在与scikit-learn集成，利用各种scikit-learn时间序列算法。它提供了统一的界面和实现常见的时间序列分析任务，简化了时间序列数据处理过程。 此外，还介绍了Sktime、pmdarima和Prophet/NeuralProphet库。这些库都有各自的优势和特点，选择使用哪个取决于对速度、与其他Python环境的集成以及模型熟练程度的要求。
3.2K10编辑于 2024-05-10 - 来自专栏DeepHub IMBA
用于时间序列分析的 5 个Python 库
Sktime Sktime是一个Python库，它带有时间序列算法和工具，与scikit-learn兼容。它还具有分类模型、回归模型和时间序列预测模型。
1.7K40发布于 2021-08-20 - 来自专栏DeepHub IMBA
时间序列的季节性：3种模式及8种建模方法
下面是一个如何创建这些变量的例子: from sktime.transformations.series.date import DateTimeFeatures from sklearn.preprocessing sktime中包含了很好的方法: from sktime.transformations.series.fourier import FourierFeatures fourier = FourierFeatures 可以使用diff方法进行季节差异: from sklearn.model_selection import train_test_split from sktime.forecasting.compose 下面是一个基于分解的方法如何工作的例子: from statsmodels.tsa.api import STL from sktime.forecasting.naive import NaiveForecaster
1.9K40编辑于 2023-08-30 - 来自专栏数据STUDIO
时间序列数据分析与预测之Python工具汇总
下面的教程解释了使用天气时间序列数据集的时间序列项目的一个示例： 使用 Sktime 进行时间序列预测 Sktime 是一个用于时间序列和机器学习的开源 Python 库。 创建 Sktime 是为了与 scikit-learn 一起工作，并且可以轻松地为相互关联的时间序列任务调整算法以及构建复合模型。 Pmdarima 2018 1100 ✅ ✅ Sklearn 2007 50000 ✅ ✅✅ ✅ PyTorch 2016 55000 ✅ ✅✅ TensorFlow 2015 164000 ✅ ✅✅ Sktime pytorch-forecasting [12] TensorFlow: https://www.tensorflow.org/tutorials/structured_data/time_series [13] Sktime : https://www.sktime.org/en/stable/ [14] Prophet: https://github.com/facebook/prophet [15] PyCaret: https
3.6K20编辑于 2022-05-24 - 来自专栏数据STUDIO
全自动机器学习 AutoML 高效预测时间序列
通过特征化将时间序列数据转换为表格数据 我们将时间序列数据转换为表格格式，并使用开源库 sktime、tsfresh 和 tsfel 对数据进行特征化处理。 TSFreshFeatureExtractor是sktime库中的一个特征提取工具，利用tsfresh的功能从时间序列数据中提取相关特征。 import tsfel from sktime.transformations.panel.tsfresh import TSFreshFeatureExtractor # 定义 tsfresh 特征提取器
70110编辑于 2024-06-04 - 来自专栏DeepHub IMBA
时间序列预测的20个基本概念总结
sktime: sktime是一个专门用于时间序列数据的机器学习库，它建立在scikit-learn之上，并提供了许多专门针对时间序列的预处理和建模技术。
1.2K31编辑于 2023-08-30 - 来自专栏深度学习与python
2020年10个不错的Python库
sktime：提供专门的时间序列算法和 scikit-learn 兼容工具，用于构建、调整和评估复合模型。也可以查看他们的配套 sktime-dl 包，用于基于深度学习的模型。
76910发布于 2021-01-21 - 来自专栏小数志
Python中的时序分析工具包推荐（2）
生态中的时序建模工具，是一款主打深度学习模型的时序分析工具，适用任务包括时序预测和异常检测，但在模型使用灵活度方面个人感觉则要略逊于Merlion和Darts 考虑前期推文中介绍的tsfresh、tslearn、sktime
1.9K30编辑于 2022-01-05 - 来自专栏数据STUDIO
时间序列预测任务的模型选择最全总结
TBATS的一个有用的Python实现可以在Pythons sktime[4]包中找到。 深入研究基于深度学习的时间序列模型 目前，我们学习了两个相对不同的模型系列，每一个都有其特定的模型拟合方式。 pmdarima/ [3] ARCH: https://en.wikipedia.org/wiki/Autoregressive_conditional_heteroskedasticity [4] sktime : https://www.sktime.org/en/latest/api_reference/auto_generated/sktime.forecasting.tbats.TBATS.html [
6.8K43编辑于 2023-02-24 - 来自专栏时空探索之旅
AI论文速读 |【综述】深度学习在多元时间序列插补的应用
Sktime：一个统一的接口，用于机器学习处理时间序列数据。 PyPOTS：一个专注于部分观测时间序列建模的Python工具箱。
70010编辑于 2024-11-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号