ForecastingPipelineWrapperBase Sınıf
Tahmin modeli sarmalayıcısı için temel sınıf.
- Devralma
-
ForecastingPipelineWrapperBase
Oluşturucu
ForecastingPipelineWrapperBase(ts_transformer: TimeSeriesTransformer | None = None, y_transformer: Pipeline | None = None, metadata: Dict[str, Any] | None = None)
Parametreler
- ts_transformer
- y_transformer
- metadata
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:
|
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
- transformed
fit
Modeli X ve y girişlerine sığdırın.
fit(X: DataFrame, y: ndarray) -> ForecastingPipelineWrapperBase
Parametreler
- X
X verilerini giriş.
- y
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
X_past ve X_future zaman bitişik bir şekilde birleştiren tahmin veri çerçevesi. X_pred içindeki boş değerler engellenir.
- y_pred
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>
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.
Döndürülenler
Y_pred, Y_future karşılık gelen alt çerçeve ilgili tahminlerle doldurulur. Y_past eksik değerler imputer tarafından doldurulur.
Dönüş türü
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
X_past ve X_future zaman bitişik bir şekilde birleştiren tahmin veri çerçevesi. X_pred içindeki boş değerler engellenir.
- y_pred
y_past için kesin değerleri birleştiren hedef değer ve Y_future için eksik değerler. Hiçbiri ise her X_pred için tahminler yapılır.
Tahmin etmek istediğimiz nicellerin listesi.
- forecast_destination
- <xref:pandas.Timestamp>
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.
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
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
- y
- is_training_set
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
- y_pred
- forecast_destination
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
X_past ve X_future zaman bitişik bir şekilde birleştiren tahmin veri çerçevesi. X_pred içindeki boş değerler engellenir.
- y_pred
X_pred karşılık gelen hedef değer.
- ignore_data_errors
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
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>
Tahmin veri çerçevesi
- y_pred
- <xref:np.ndarray>
X_pred satırlara karşılık gelen hedef değerler
Döndürülenler
Sıralı tahminlerin veri çerçevesi
Dönüş türü
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
- time_column_name
- grain_column_names
- df
- y
- is_training_set
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.'
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin