mikekeith52/scalecast

해결하는 문제

Scalecast는 다양한 머신러닝 모델에 대한 통일된 인터페이스를 제공하여 시계열 예측 프로세스를 단순화합니다. LSTMs와 같은 복잡한 모델의 설정 어려움, 결측치 처리, 신호 추출을 위한 동적 변환 적용, 엄격한 모델 검증 및 백테스팅과 같은 일반적인 페인 포인트를 해결합니다.

작동 방식

이 라이브러리는 데이터, 예측 및 메트릭을 캡슐화하는 Forecaster 및 MVForecaster(다변량) 객체를 중심으로 작동합니다. scikit-learn, statsmodels, TensorFlow를 포함한 여러 라이브러리의 모델을 통합합니다. 주요 워크플로우는 다음과 같습니다:

• 자동 선택: lag, trend 및 계절성을 자동 선택하기 위한 도구.
• 하이퍼파라미터 튜닝: 그리드 서치와 시계열 교차 검증의 결합.
• 파이프라인: 데이터 변환, 예측 및 변환 되돌리기를 위한 통합된 시퀀스.
• 모델 스태킹: 여러 모델(예: LSTM, Prophet, ARIMA)의 예측을 최종 앙상블로 결합하는 기능.
• 전이 학습: 한 시계열에서 학습된 모델을 다른 시계열에 적용.

대상 사용자

Scalecast는 프로덕션 또는 샌드박스 환경에서 작업하며 여러 시계열 예측 모델을 빠르게 실험하고 검증해야 하는 데이터 과학자, 학술 연구자 및 ML 엔지니어를 위해 설계되었습니다.

주요 특징

• 통합 API: scikit-learn, TensorFlow 및 기타 전문 예측 라이브러리의 모델을 단일 인터페이스로 테스트.
• 단순화된 LSTM: 시계열용 LSTM 네트워크 구현에 필요한 보일러플레이트 코드를 획기적으로 감소.
• 고급 검증: 롤링 시계열 교차 검증 및 conformal confidence intervals에 대한 내장 지원.
• 엔드 투 엔드 파이프라인: 최적의 변환 선택부터 백테스팅 메트릭까지 전체 파이프라인 지원.
• 다변량 지원: MVForecaster를 사용하여 여러 시계열을 동시에 예측하는 기능.