sktime/skpro

해결하는 문제

많은 표준 머신러닝 회귀 모델은 예측에 대해 단일 점 추정(평균)만 제공합니다. skpro는 이 문제를 해결하기 위해 감독하에 확률적 예측을 가능하게 하여, 단순한 하나의 값이 아닌 구간, 분위수, 전체 확률 분포를 예측할 수 있도록 합니다.

작동 방식

skpro는 기존의 회귀 모델을 확률적 모델로 변환할 수 있도록 scikit-learn 호환 인터페이스와 도구를 제공합니다. 부트스트랩이나 콘포멀 예측과 같은 기법(예: 감소 기법)을 사용하여 기존의 scikit-learn 회귀 모델을 확률적 모델로 전환합니다. 또한, 테이블형 데이터 확률적 회귀, 시간-사건(생존) 예측, pandas DataFrames와 통합 가능한 기호적 확률 분포를 위한 전용 모듈도 제공합니다.

대상 사용자

예측의 불확실성을 정량화해야 하는 데이터 과학자 및 ML 엔지니어. 특히 테이블형 데이터나 생존 분석을 다루는 사람들, scikit-learn 생태계를 선호하는 사람들에게 적합합니다.

주요 기능

• 확률적 회귀: 구간, 분위수, 전체 분포 예측 가능.
• 생존 분석: 확률적 시간-사건 및 생존 예측 지원.
• 평가 지표: 핀볼 손실, CRPS, 경험적 커버리지 등 확률적 예측에 특화된 지표 포함.
• 상호 운용성: scikit-learn 및 sktime 완전 호환, MAPIE, ngboost, cyclic-boosting 등의 제3자 라이브러리와 연동 가능.