sktime/skpro

解决的问题

许多标准的机器学习回归模型仅提供单个点估计（均值）作为预测结果。skpro 通过支持监督式概率预测，解决了这一问题，使用户能够预测区间、分位数和完整的概率分布，而不仅仅是单一数值。

工作原理

skpro 提供了一套与 scikit-learn 兼容的接口和工具，可将标准回归器转换为概率模型。它使用诸如减少法（如自助法或置信预测）等技术，将现有的 scikit-learn 回归器转化为概率模型。此外，它还提供了专门用于表格型概率回归、时间至事件（生存）预测以及与 pandas DataFrames 集成的符号概率分布的模块。

适用人群

需要量化预测不确定性的数据科学家和机器学习工程师，特别是处理表格数据或生存分析，且偏好 scikit-learn 生态系统的用户。

主要亮点

• 概率回归：可预测区间、分位数和完整分布。
• 生存分析：支持概率性时间至事件和生存预测。
• 评估指标：包含针对概率预测的专用指标，如分位数损失（pinball loss）、CRPS 和经验覆盖率。
• 互操作性：与 scikit-learn 和 sktime 完全兼容，并可与 MAPIE、ngboost 和 cyclic-boosting 等第三方库集成。