ForecastingPipelineWrapperBase Classe
Classe base para wrapper de modelo de previsão.
- Herança
-
ForecastingPipelineWrapperBase
Construtor
ForecastingPipelineWrapperBase(ts_transformer: TimeSeriesTransformer | None = None, y_transformer: Pipeline | None = None, metadata: Dict[str, Any] | None = None)
Parâmetros
- ts_transformer
- y_transformer
- metadata
Métodos
align_output_to_input |
Alinhe o fotograma de dados de saída transformado ao fotograma de dados de entrada. Nota: a transformação será modificada por referência, não está a ser criada nenhuma cópia. :p aram X_input: o fotograma de dados de entrada. :p aram transformado: o fotograma de dados após a transformação. :returns: O fotograma de dados transfotmed com o respetivo índice original, mas ordenado como em X_input. |
fit |
Ajuste o modelo com a entrada X e y. |
forecast |
Faça a previsão no pacote de dados X_pred. |
forecast_quantiles |
Obtenha a predição e os quantiles do pipeline ajustado. |
is_grain_dropped |
Devolve verdadeiro se o grão vai ser largado. |
preaggregate_data_set |
Agregar o conjunto de dados de predição. Nota: Este método não garante que o conjunto de dados seja agregado. Isto só acontecerá se o conjunto de dados contiver os carimbos de data/hora duplicados ou fora das datas da grelha. :p aram df: o conjunto de dados a agregar. :p atam y: os valores de destino. :p aram is_training_set: se for verdade, os dados representam o conjunto de preparação. :return: o conjunto de dados agregado ou intacto se não for necessária nenhuma agregação. |
preprocess_pred_X_y |
Predição de pré-processamento X e y. |
rolling_evaluation |
" Produza previsões sobre uma origem sem interrupção sobre o conjunto de testes especificado. Cada iteração faz uma previsão para os próximos períodos de "max_horizon" relativamente à origem atual e, em seguida, avança a origem pela duração da hora do horizonte. O contexto de predição para cada previsão é definido para que o meteorologista utilize os valores de destino reais antes da hora de origem atual para construir funcionalidades de atraso. Esta função devolve um DataFrame concatenado de previsões sem interrupção associadas aos valores reais do conjunto de testes. Este método foi preterido e será removido numa versão futura. Em alternativa, utilize rolling_forecast(). |
rolling_forecast |
Produzir previsões sobre uma origem sem interrupção num conjunto de testes. Cada iteração faz uma previsão de períodos de horizonte máximos à frente com informações até à origem atual e, em seguida, avança a origem por períodos de tempo "passo". O contexto de predição para cada previsão é definido para que o meteorologista utilize os valores de destino reais antes da hora de origem atual para construir funcionalidades de pesquisa. Esta função devolve um DataFrame de previsões sem interrupção associadas aos valores reais do conjunto de testes. As colunas no fotograma de dados devolvido são as seguintes:
|
short_grain_handling |
Devolver verdadeiro se o processamento de grãos curtos ou ausentes estiver ativado para o modelo. |
static_preaggregate_data_set |
Agregar o conjunto de dados de predição. Nota: Este método não garante que o conjunto de dados seja agregado. Isto só acontecerá se o conjunto de dados contiver os carimbos de data/hora duplicados ou fora das datas da grelha. :p aram ts_transformer: o transformador de timeseries utilizado para a preparação. :p aram time_column_name: nome da coluna time. :p aram grain_column_names: lista de nomes de colunas de grãos. :p aram df: o conjunto de dados a agregar. :p atam y: os valores de destino. :p aram is_training_set: se for verdade, os dados representam o conjunto de preparação. :return: o conjunto de dados agregado ou intacto se não for necessária nenhuma agregação. |
align_output_to_input
Alinhe o fotograma de dados de saída transformado ao fotograma de dados de entrada.
Nota: a transformação será modificada por referência, não está a ser criada nenhuma cópia. :p aram X_input: o fotograma de dados de entrada. :p aram transformado: o fotograma de dados após a transformação. :returns: O fotograma de dados transfotmed com o respetivo índice original, mas ordenado como em X_input.
align_output_to_input(X_input: DataFrame, transformed: DataFrame) -> DataFrame
Parâmetros
- X_input
- transformed
fit
Ajuste o modelo com a entrada X e y.
fit(X: DataFrame, y: ndarray) -> ForecastingPipelineWrapperBase
Parâmetros
- X
Dados X de entrada.
- y
Dados de entrada y.
forecast
Faça a previsão no pacote de dados X_pred.
forecast(X_pred: DataFrame | None = None, y_pred: ndarray | DataFrame | None = None, forecast_destination: Timestamp | None = None, ignore_data_errors: bool = False) -> Tuple[ndarray, DataFrame]
Parâmetros
- X_pred
o dataframe de predição que combina X_past e X_future de forma contígua ao tempo. Os valores vazios no X_pred serão imputados.
- y_pred
o valor de destino que combina valores definidos para y_past e valores em falta para Y_future. Se Nenhuma, as predições serão feitas para cada X_pred.
- forecast_destination
- <xref:pandas.Timestamp>
Forecast_destination: um valor de carimbo de data/hora. As previsões serão feitas até ao forecast_destination tempo, para todos os grãos. A entrada do dicionário { grain -> carimbo de data/hora } não será aceite. Se forecast_destination não for dada, será imputada como a última vez que ocorrer em X_pred para cada grão.
Devoluções
Y_pred, com o subframe correspondente a Y_future preenchido com as respetivas previsões. Todos os valores em falta no Y_past serão preenchidos por imputer.
Tipo de retorno
forecast_quantiles
Obtenha a predição e os quantiles do pipeline ajustado.
forecast_quantiles(X_pred: DataFrame | None = None, y_pred: ndarray | DataFrame | None = None, quantiles: float | List[float] | None = None, forecast_destination: Timestamp | None = None, ignore_data_errors: bool = False) -> DataFrame
Parâmetros
- X_pred
o dataframe de predição que combina X_past e X_future de forma contígua ao tempo. Os valores vazios no X_pred serão imputados.
- y_pred
o valor de destino que combina valores definidos para y_past e valores em falta para Y_future. Se Nenhuma, as predições serão feitas para cada X_pred.
A lista de quantiles em que queremos prever.
- forecast_destination
- <xref:pandas.Timestamp>
Forecast_destination: um valor de carimbo de data/hora. As previsões serão feitas até ao forecast_destination tempo, para todos os grãos. A entrada do dicionário { grain -> carimbo de data/hora } não será aceite. Se forecast_destination não for dada, será imputada como a última vez que ocorrer em X_pred para cada grão.
Devoluções
Um dataframe que contém as colunas e predições efetuadas em quantiles pedidos.
is_grain_dropped
Devolve verdadeiro se o grão vai ser largado.
is_grain_dropped(grain: Tuple[str] | str | List[str]) -> bool
Parâmetros
- grain
O grão a testar se será largado.
Devoluções
Verdadeiro se o grão for largado.
preaggregate_data_set
Agregar o conjunto de dados de predição.
Nota: Este método não garante que o conjunto de dados seja agregado. Isto só acontecerá se o conjunto de dados contiver os carimbos de data/hora duplicados ou fora das datas da grelha. :p aram df: o conjunto de dados a agregar. :p atam y: os valores de destino. :p aram is_training_set: se for verdade, os dados representam o conjunto de preparação. :return: o conjunto de dados agregado ou intacto se não for necessária nenhuma agregação.
preaggregate_data_set(df: DataFrame, y: ndarray | None = None, is_training_set: bool = False) -> Tuple[DataFrame, ndarray | None]
Parâmetros
- df
- y
- is_training_set
preprocess_pred_X_y
Predição de pré-processamento X e y.
preprocess_pred_X_y(X_pred: DataFrame | None = None, y_pred: ndarray | DataFrame | None = None, forecast_destination: Timestamp | None = None) -> Tuple[DataFrame, DataFrame | ndarray, Dict[str, Any]]
Parâmetros
- X_pred
- y_pred
- forecast_destination
rolling_evaluation
" Produza previsões sobre uma origem sem interrupção sobre o conjunto de testes especificado.
Cada iteração faz uma previsão para os próximos períodos de "max_horizon" relativamente à origem atual e, em seguida, avança a origem pela duração da hora do horizonte. O contexto de predição para cada previsão é definido para que o meteorologista utilize os valores de destino reais antes da hora de origem atual para construir funcionalidades de atraso.
Esta função devolve um DataFrame concatenado de previsões sem interrupção associadas aos valores reais do conjunto de testes.
Este método foi preterido e será removido numa versão futura. Em alternativa, utilize rolling_forecast().
rolling_evaluation(X_pred: DataFrame, y_pred: DataFrame | ndarray, ignore_data_errors: bool = False) -> Tuple[ndarray, DataFrame]
Parâmetros
- X_pred
o dataframe de predição que combina X_past e X_future de forma contígua ao tempo. Os valores vazios no X_pred serão imputados.
- y_pred
o valor de destino correspondente a X_pred.
- ignore_data_errors
Ignorar erros nos dados do utilizador.
Devoluções
Y_pred, com o subframe correspondente a Y_future preenchido com as respetivas previsões. Todos os valores em falta no Y_past serão preenchidos por imputer.
Tipo de retorno
rolling_forecast
Produzir previsões sobre uma origem sem interrupção num conjunto de testes.
Cada iteração faz uma previsão de períodos de horizonte máximos à frente com informações até à origem atual e, em seguida, avança a origem por períodos de tempo "passo". O contexto de predição para cada previsão é definido para que o meteorologista utilize os valores de destino reais antes da hora de origem atual para construir funcionalidades de pesquisa.
Esta função devolve um DataFrame de previsões sem interrupção associadas aos valores reais do conjunto de testes. As colunas no fotograma de dados devolvido são as seguintes:
Colunas de ID de séries de tempo (Opcional). Quando fornecido pelo utilizador, serão utilizados os nomes de coluna especificados.
Coluna de origem de previsão que dá o tempo de origem para cada linha.
Nome da coluna: armazenado como a variável membro do objeto forecast_origin_column_name.
Coluna de tempo. O nome da coluna fornecido pelo utilizador será utilizado.
Coluna Valores de previsão. Nome da coluna: armazenado como membro do objeto forecast_column_name
Coluna valores reais. Nome da coluna: armazenado como membro do objeto actual_column_name
rolling_forecast(X_pred: DataFrame, y_pred: ndarray, step: int = 1, ignore_data_errors: bool = False) -> DataFrame
Parâmetros
- X_pred
- <xref:pd.DataFrame>
Fotograma de dados de predição
- y_pred
- <xref:np.ndarray>
valores de destino correspondentes a linhas no X_pred
- step
- int
Número de períodos para avançar a janela de previsão em cada iteração.
Devoluções
Fotograma de dados de previsões sem interrupção
Tipo de retorno
short_grain_handling
Devolver verdadeiro se o processamento de grãos curtos ou ausentes estiver ativado para o modelo.
short_grain_handling() -> bool
static_preaggregate_data_set
Agregar o conjunto de dados de predição.
Nota: Este método não garante que o conjunto de dados seja agregado. Isto só acontecerá se o conjunto de dados contiver os carimbos de data/hora duplicados ou fora das datas da grelha. :p aram ts_transformer: o transformador de timeseries utilizado para a preparação. :p aram time_column_name: nome da coluna time. :p aram grain_column_names: lista de nomes de colunas de grãos. :p aram df: o conjunto de dados a agregar. :p atam y: os valores de destino. :p aram is_training_set: se for verdade, os dados representam o conjunto de preparação. :return: o conjunto de dados agregado ou intacto se não for necessária nenhuma agregação.
static static_preaggregate_data_set(ts_transformer: TimeSeriesTransformer, time_column_name: str, grain_column_names: List[str], df: DataFrame, y: ndarray | None = None, is_training_set: bool = False) -> Tuple[DataFrame, ndarray | None]
Parâmetros
- ts_transformer
- time_column_name
- grain_column_names
- df
- y
- is_training_set
Atributos
actual_column_name
forecast_column_name
forecast_origin_column_name
grain_column_list
max_horizon
Devolver o máximo hiorizon utilizado no modelo.
origin_col_name
Devolver o nome da coluna de origem.
target_lags
Se existir, o destino de retorno fica desfasamento.
target_rolling_window_size
Devolva o tamanho da janela de rolamento.
time_column_name
Devolva o nome da coluna de hora.
user_target_column_name
y_max_dict
Devolver o dicionário com valores de destino máximos por ID da série temporal
y_min_dict
Devolver o dicionário com valores de destino mínimos por ID da série temporal
FATAL_NO_TARGET_IMPUTER
FATAL_NO_TARGET_IMPUTER = 'No target imputers were found in TimeSeriesTransformer.'
FATAL_NO_TS_TRANSFORM
FATAL_NO_TS_TRANSFORM = 'The time series transform is absent. Please try training model again.'
Comentários
https://aka.ms/ContentUserFeedback.
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja:Submeter e ver comentários