Sktime：用于时间序列机器学习的统一Python工具箱

Sktime是一个Python时间序列机器学习工具箱，具有多个学习任务的统一接口。我们目前支持：

Sktime提供专门的时间序列算法和SCRICKIT-LINE兼容工具，用于构建、调整和评估复合模型。

将Numpy作为NP从sktime导入。数据集从sktime导入Load_Airline。预测。Theta从sktime导入Theta Forecaster。预测。Model_election从sktime导入temal_train_test_plit。性能指标(_M)。预测导入SMAPE_LOSS y=Load_Airline()y_Train，y_test=Temporal_Train_test_Split(Y)fh=np。Arange(1，len(Y_Test)+1)#预测期预报员=Theta预报员(sp=12)#月度季节周期预报员。FIT(y_系列)y_pred=预测者。预测(Fh)损失(y_test，y_pred)>；>；>；0.1722386848882188。

来自Sktime的。数据集从sktime导入LOAD_ARROW_HEAD。分类。从skLearning合成导入TimeSeriesForestSorfier。Model_Selection从skLearning导入Train_test_Split。度量导入Accuracy_Score X，y=Load_Arrow_Head(Return_X_y=True)X_TRAIN、X_TEST、Y_TRAIN、Y_TEST=TRAIN_TEST_SPLIT(X，Y)分类器=TimeSeriesForest分类器()分类器。FIT(X_TRAIN，Y_TRAIN)y_pred=分类器。预测(X_TEST)精度_分数(y_test，y_pred)>；>；>；0.7924528301886793。

在PyData阿姆斯特丹2020观看我们关于机器学习和时间序列的在线教程：[视频]，[repo]。

查看我们的示例笔记本-您可以在活页夹上运行它们，而无需安装任何东西！

Sktime是时间序列机器学习的统一工具箱。时间序列产生了多个学习任务(例如预测和时间序列分类)。Sktime的目标是提供所有必要的工具来解决这些任务，包括专用的时间序列算法以及用于构建、调优和评估复合模型的工具。

这些任务中有许多是相关的。可以解决其中一个问题的算法通常可以重用来帮助解决另一个问题，这是一种理想的归约。Sktime的统一界面允许轻松地将一项任务的算法改编到另一项任务中。

例如，要使用回归算法解决预测任务，我们可以简单地这样写：

将Numpy作为NP从sktime导入。数据集从sktime导入Load_Airline。预测。从skLearning合成import ReducedRegressionForecaster。从sktime导入RandomForestRegressor。预测。Model_election从sktime导入temal_train_test_plit。性能指标(_M)。预测导入SMAPE_LOSS y=Load_Airline()y_Train，y_test=Temporal_Train_test_Split(Y)fh=np。Arange(1，len(Y_Test)+1)#预测期Regressor=RandomForestRegressor()Forecaster=ReducedRegressionForecaster(Regressor，Window_Length=12)Forecaster。FIT(y_系列)y_pred=预测者。预测(Fh)损失(y_test，y_pred)>；>；>；0.12726230426056875。

从基于Java的TSML工具包移植的用于时间序列分类和回归的最新算法，以及预测、。

变压器，包括单系列变换(例如，去趋势或去季节性)和作为特征的系列变换(例如，特征提取器)，以及组成不同变压器的工具，

集成，例如用于时间序列分类和回归的完全可定制的随机森林，以及用于多变量问题的集成，

此外，sktime还包含一个实验性的高级API，它统一了多个学习任务，部分灵感来自于MLR和openML的API。

用于在建模工作流程中有效处理时间序列/面板数据并分离时间序列元数据的专用数据容器，

时间序列的概率建模框架，包括基于适配的skpro接口的生存和点过程模型。

如果您在科学出版物中使用sktime，我们希望引用以下论文：

@inProcese{sktime，作者={L{\"；{o}}ning，Markus和Bagnall，Anthony和Ganesh，Sajaysurya和Kazakov，Viktor和Lines，Jason和Kir{\'；{a}}ly，Franz J}，booktitle={NeurIPS 2019年ML系统研讨会}，title={{sktime：A Unified Interface for Machine Learning with Time Series}}，日期={2019}，}