mikekeith52/scalecast

解決する課題

Scalecastは、多様な機械学習モデルに対して統一されたインターフェースを提供することで、時系列予測のプロセスを簡素化します。LSTMsのような複雑なモデルのセットアップの難しさ、欠損値の処理、信号抽出のための動的な変換の適用、そして厳格なモデル検証とバックテストといった一般的な課題を解決します。

仕組み

このライブラリは、データ、予測、およびメトリクスをカプセル化する Forecaster および MVForecaster (多変量) オブジェクトを中心に構成されています。scikit-learn、statsmodels、TensorFlowを含む複数のライブラリのモデルを統合しています。主なワークフローは以下の通りです：

• 自動選択: ラグ、トレンド、季節性を自動選択するためのツール。
• ハイパーパラメータチューニング: グリッドサーチと時系列交差検証の組み合わせ。
• パイプライン: データ変換、予測、および変換の逆変換を行うための統合されたシーケンス。
• モデルスタッキング: 複数のモデル（例：LSTM、Prophet、ARIMA）からの予測を最終的なアンサンブルに組み合わせる機能。
• 転移学習: ある時系列データで学習したモデルを別のデータに適用すること。

対象者

Scalecastは、本番環境またはサンドボックス環境で作業しており、複数の時系列予測モデルを迅速に実験・検証する必要があるデータサイエンティスト、学術研究者、およびMLエンジニア向けに設計されています。

ハイライト

• 統一されたAPI: scikit-learn、TensorFlow、およびその他の専門的な予測ライブラリのモデルを単一のインターフェースでテスト可能。
• 簡素化されたLSTM: 時系列用のLSTMネットワークを実装するために必要なボイラープレートコードを大幅に削減。
• 高度な検証: ローリング時系列交差検証とコンフォーマル信頼区間の組み込みサポート。
• エンドツーエンドのパイプライン: 最適な変換の選択からバックテストのメトリクスまで、フルパイプラインをサポート。
• 多変量サポート: MVForecaster を使用して複数の時系列を同時に予測する機能。