ForecastingPipelineWrapperBase Sınıf

Tahmin modeli sarmalayıcısı için temel sınıf.

Devralma

ABC

ForecastingPipelineWrapperBase

Oluşturucu

ForecastingPipelineWrapperBase(ts_transformer: TimeSeriesTransformer | None = None, y_transformer: Pipeline | None = None, metadata: Dict[str, Any] | None = None)

Parametreler

ts_transformer

varsayılan değer: None

y_transformer

varsayılan değer: None

metadata

varsayılan değer: None

Yöntemler

align_output_to_input	Dönüştürülmüş çıkış veri çerçevesini giriş veri çerçevesine hizalayın. Not: Dönüştürülen başvuru tarafından değiştirilir, kopya oluşturulmaz. :p aram X_input: Giriş veri çerçevesi. :p aram dönüştürüldü: Dönüştürmeden sonra veri çerçevesi. :returns: Özgün diziniyle transfotmed veri çerçevesi, ancak X_input olarak sıralanmıştır.
fit	Modeli X ve y girişlerine sığdırın.
forecast	X_pred veri çerçevesinde tahmini yapın.
forecast_quantiles	Uydurılan işlem hattından tahmin ve nicelik değerlerini alın.
is_grain_dropped	Tahıl bırakılacaksa true değerini döndür.
preaggregate_data_set	Tahmin veri kümesini toplama. Not: Bu yöntem, veri kümesinin toplanacağı garanti etmez. Bu durum yalnızca veri kümesi yinelenen zaman damgalarını veya kılavuz dışı tarihleri içeriyorsa gerçekleşir. :p aram df: Toplanacak veri kümesi. :p atam y: Hedef değerler. :p aram is_training_set: Doğruysa, veriler eğitim kümesini temsil eden verilerdir. :return: Toplama gerekmiyorsa toplanan veya bozulmamış veri kümesi.
preprocess_pred_X_y	Önişlem tahmini X ve y.
rolling_evaluation	" Verilen test kümesi üzerinde sıralı bir kaynak üzerinde tahminler üretin. Her yineleme, geçerli çıkış noktasıyla ilgili olarak sonraki 'max_horizon' dönemleri için bir tahmin yapar, ardından ufuk süresine göre başlangıcı ilerler. Her tahmin için tahmin bağlamı, tahminleyicinin gecikme özelliklerini oluşturmak için geçerli kaynak saatten önceki gerçek hedef değerleri kullanması için ayarlanır. Bu işlev, test kümesindeki fiili değerlerle birleştirilen sıralı tahminlerin birleştirilmiş DataFrame'ini döndürür. Bu yöntem kullanım dışıdır ve gelecek bir sürümde kaldırılacaktır. Lütfen bunun yerine rolling_forecast() kullanın.
rolling_forecast	Test kümesi üzerinden sıralı bir kaynak üzerinde tahminler üretin. Her yineleme, geçerli çıkış noktası kadar olan bilgileri kullanarak ilerideki maksimum ufuk dönemlerini tahmin eder, ardından kaynağı 'adım' zaman aralıklarına göre ilerletir. Her tahmin için tahmin bağlamı, tahminleyicinin geri arama özellikleri oluşturmak için geçerli kaynak saatinden önceki gerçek hedef değerleri kullanması için ayarlanır. Bu işlev, test kümesindeki fiili değerlerle birleştirilmiş sıralı tahminlerden oluşan bir DataFrame döndürür. Döndürülen veri çerçevesindeki sütunlar aşağıdaki gibidir: Timeseries ID sütunları (İsteğe bağlı). Kullanıcı tarafından sağlandığında, verilen sütun adları kullanılır. Her satır için başlangıç zamanı veren tahmin kaynağı sütunu. Sütun adı: forecast_origin_column_name nesne üyesi değişkeni olarak depolanır. Saat sütunu. Kullanıcı tarafından verilen sütun adı kullanılır. Tahmin değerleri sütunu. Sütun adı: nesne üyesi forecast_column_name olarak depolanır Gerçek değerler sütunu. Sütun adı: nesne üyesi actual_column_name olarak depolanır
short_grain_handling	Model için kısa veya eksik tane işleme etkinleştirildiyse true değerini döndürür.
static_preaggregate_data_set	Tahmin veri kümesini toplama. Not: Bu yöntem, veri kümesinin toplanacağı garanti etmez. Bu durum yalnızca veri kümesi yinelenen zaman damgalarını veya kılavuz dışı tarihleri içeriyorsa gerçekleşir. :p aram ts_transformer: Eğitim için kullanılan zamanlayıcılar tranformer. :p aram time_column_name: saat sütununun adı. :p aram grain_column_names: Tane sütun adlarının listesi. :p aram df: Toplanacak veri kümesi. :p atam y: Hedef değerler. :p aram is_training_set: Doğruysa, veriler eğitim kümesini temsil eden verilerdir. :return: Toplama gerekmiyorsa toplanan veya bozulmamış veri kümesi.

align_output_to_input

Dönüştürülmüş çıkış veri çerçevesini giriş veri çerçevesine hizalayın.

Not: Dönüştürülen başvuru tarafından değiştirilir, kopya oluşturulmaz. :p aram X_input: Giriş veri çerçevesi. :p aram dönüştürüldü: Dönüştürmeden sonra veri çerçevesi. :returns: Özgün diziniyle transfotmed veri çerçevesi, ancak X_input olarak sıralanmıştır.

align_output_to_input(X_input: DataFrame, transformed: DataFrame) -> DataFrame

Parametreler

X_input

Gerekli

transformed

Gerekli

fit

Modeli X ve y girişlerine sığdırın.

fit(X: DataFrame, y: ndarray) -> ForecastingPipelineWrapperBase

Parametreler

X

Gerekli

X verilerini giriş.

y

Gerekli

Giriş y verileri.

forecast

X_pred veri çerçevesinde tahmini yapın.

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]

Parametreler

X_pred

varsayılan değer: None

X_past ve X_future zaman bitişik bir şekilde birleştiren tahmin veri çerçevesi. X_pred içindeki boş değerler engellenir.

y_pred

varsayılan değer: None

y_past için kesin değerleri birleştiren hedef değer ve Y_future için eksik değerler. Hiçbiri ise her X_pred için tahminler yapılır.

forecast_destination

<xref:pandas.Timestamp>

varsayılan değer: None

Forecast_destination: zaman damgası değeri. Tahminler, tüm tahıllar için forecast_destination zamana kadar yapılacaktır. Sözlük girişi { grain -> timestamp } kabul edilmeyecek. forecast_destination verilmezse, her tahıl için X_pred son kez olduğu gibi kabul edilir.

ignore_data_errors

bool

varsayılan değer: False

Kullanıcı verilerindeki hataları yoksayın.

Döndürülenler

Y_pred, Y_future karşılık gelen alt çerçeve ilgili tahminlerle doldurulur. Y_past eksik değerler imputer tarafından doldurulur.

Dönüş türü

tuple

forecast_quantiles

Uydurılan işlem hattından tahmin ve nicelik değerlerini alın.

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

Parametreler

X_pred

varsayılan değer: None

X_past ve X_future zaman bitişik bir şekilde birleştiren tahmin veri çerçevesi. X_pred içindeki boş değerler engellenir.

y_pred

varsayılan değer: None

y_past için kesin değerleri birleştiren hedef değer ve Y_future için eksik değerler. Hiçbiri ise her X_pred için tahminler yapılır.

quantiles

float veya list of <xref:floats>

varsayılan değer: None

Tahmin etmek istediğimiz nicellerin listesi.

forecast_destination

<xref:pandas.Timestamp>

varsayılan değer: None

Forecast_destination: zaman damgası değeri. Tahminler, tüm tahıllar için forecast_destination zamana kadar yapılacaktır. Sözlük girişi { grain -> timestamp } kabul edilmeyecek. forecast_destination verilmezse, her tahıl için X_pred son kez olduğu gibi kabul edilir.

ignore_data_errors

bool

varsayılan değer: False

Kullanıcı verilerindeki hataları yoksayın.

Döndürülenler

İstenen nicellerde yapılan sütunları ve tahminleri içeren bir veri çerçevesi.

is_grain_dropped

Tahıl bırakılacaksa true değerini döndür.

is_grain_dropped(grain: Tuple[str] | str | List[str]) -> bool

Parametreler

grain

Gerekli

Bırakılıp bırakılmayacağını test etmek için tahıl.

Döndürülenler

Tahıl bırakılacaksa doğru.

preaggregate_data_set

Tahmin veri kümesini toplama.

Not: Bu yöntem, veri kümesinin toplanacağı garanti etmez. Bu durum yalnızca veri kümesi yinelenen zaman damgalarını veya kılavuz dışı tarihleri içeriyorsa gerçekleşir. :p aram df: Toplanacak veri kümesi. :p atam y: Hedef değerler. :p aram is_training_set: Doğruysa, veriler eğitim kümesini temsil eden verilerdir. :return: Toplama gerekmiyorsa toplanan veya bozulmamış veri kümesi.

preaggregate_data_set(df: DataFrame, y: ndarray | None = None, is_training_set: bool = False) -> Tuple[DataFrame, ndarray | None]

Parametreler

df

Gerekli

y

varsayılan değer: None

is_training_set

varsayılan değer: False

preprocess_pred_X_y

Önişlem tahmini X ve 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]]

Parametreler

X_pred

varsayılan değer: None

y_pred

varsayılan değer: None

forecast_destination

varsayılan değer: None

rolling_evaluation

" Verilen test kümesi üzerinde sıralı bir kaynak üzerinde tahminler üretin.

Her yineleme, geçerli çıkış noktasıyla ilgili olarak sonraki 'max_horizon' dönemleri için bir tahmin yapar, ardından ufuk süresine göre başlangıcı ilerler. Her tahmin için tahmin bağlamı, tahminleyicinin gecikme özelliklerini oluşturmak için geçerli kaynak saatten önceki gerçek hedef değerleri kullanması için ayarlanır.

Bu işlev, test kümesindeki fiili değerlerle birleştirilen sıralı tahminlerin birleştirilmiş DataFrame'ini döndürür.

Bu yöntem kullanım dışıdır ve gelecek bir sürümde kaldırılacaktır. Lütfen bunun yerine rolling_forecast() kullanın.

rolling_evaluation(X_pred: DataFrame, y_pred: DataFrame | ndarray, ignore_data_errors: bool = False) -> Tuple[ndarray, DataFrame]

Parametreler

X_pred

Gerekli

X_past ve X_future zaman bitişik bir şekilde birleştiren tahmin veri çerçevesi. X_pred içindeki boş değerler engellenir.

y_pred

Gerekli

X_pred karşılık gelen hedef değer.

ignore_data_errors

varsayılan değer: False

Kullanıcı verilerindeki hataları yoksayın.

Döndürülenler

Y_pred, Y_future karşılık gelen alt çerçeve ilgili tahminlerle doldurulur. Y_past eksik değerler imputer tarafından doldurulur.

Dönüş türü

tuple

rolling_forecast

Test kümesi üzerinden sıralı bir kaynak üzerinde tahminler üretin.

Her yineleme, geçerli çıkış noktası kadar olan bilgileri kullanarak ilerideki maksimum ufuk dönemlerini tahmin eder, ardından kaynağı 'adım' zaman aralıklarına göre ilerletir. Her tahmin için tahmin bağlamı, tahminleyicinin geri arama özellikleri oluşturmak için geçerli kaynak saatinden önceki gerçek hedef değerleri kullanması için ayarlanır.

Bu işlev, test kümesindeki fiili değerlerle birleştirilmiş sıralı tahminlerden oluşan bir DataFrame döndürür. Döndürülen veri çerçevesindeki sütunlar aşağıdaki gibidir:

• Timeseries ID sütunları (İsteğe bağlı). Kullanıcı tarafından sağlandığında, verilen sütun adları kullanılır.

• Her satır için başlangıç zamanı veren tahmin kaynağı sütunu.

  Sütun adı: forecast_origin_column_name nesne üyesi değişkeni olarak depolanır.

• Saat sütunu. Kullanıcı tarafından verilen sütun adı kullanılır.

• Tahmin değerleri sütunu. Sütun adı: nesne üyesi forecast_column_name olarak depolanır

• Gerçek değerler sütunu. Sütun adı: nesne üyesi actual_column_name olarak depolanır

rolling_forecast(X_pred: DataFrame, y_pred: ndarray, step: int = 1, ignore_data_errors: bool = False) -> DataFrame

Parametreler

X_pred

<xref:pd.DataFrame>

Gerekli

Tahmin veri çerçevesi

y_pred

<xref:np.ndarray>

Gerekli

X_pred satırlara karşılık gelen hedef değerler

step

int

varsayılan değer: 1

Her yinelemede tahmin penceresinin ilerletilmesi için dönem sayısı.

ignore_data_errors

bool

varsayılan değer: False

Kullanıcı verilerindeki hataları yoksayın.

Döndürülenler

Sıralı tahminlerin veri çerçevesi

Dönüş türü

<xref:pd.DataFrame>

short_grain_handling

Model için kısa veya eksik tane işleme etkinleştirildiyse true değerini döndürür.

short_grain_handling() -> bool

static_preaggregate_data_set

Tahmin veri kümesini toplama.

Not: Bu yöntem, veri kümesinin toplanacağı garanti etmez. Bu durum yalnızca veri kümesi yinelenen zaman damgalarını veya kılavuz dışı tarihleri içeriyorsa gerçekleşir. :p aram ts_transformer: Eğitim için kullanılan zamanlayıcılar tranformer. :p aram time_column_name: saat sütununun adı. :p aram grain_column_names: Tane sütun adlarının listesi. :p aram df: Toplanacak veri kümesi. :p atam y: Hedef değerler. :p aram is_training_set: Doğruysa, veriler eğitim kümesini temsil eden verilerdir. :return: Toplama gerekmiyorsa toplanan veya bozulmamış veri kümesi.

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]

Parametreler

ts_transformer

Gerekli

time_column_name

Gerekli

grain_column_names

Gerekli

df

Gerekli

y

varsayılan değer: None

is_training_set

varsayılan değer: False

Öznitelikler

actual_column_name

forecast_column_name

forecast_origin_column_name

grain_column_list

max_horizon

Modelde kullanılan maksimum hiorizon değerini döndürür.

origin_col_name

Kaynak sütun adını döndürür.

target_lags

Varsa hedef gecikmelerini döndürür.

target_rolling_window_size

Sıralı pencerenin boyutunu döndürür.

time_column_name

Saat sütununun adını döndürür.

user_target_column_name

y_max_dict

Zaman serisi kimliğine göre en büyük hedef değerleri içeren sözlüğü döndürme

y_min_dict

Zaman serisi kimliğine göre en düşük hedef değerlerle sözlüğü döndürme

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.'