sktime/sktime

解决的问题

sktime 是一个旨在为各种时间序列分析任务提供统一接口的 Python 库。它通过允许用户通过一致的 API 应用来自多个库（如 scikit-learn、statsmodels 和 fbprophet）的不同算法和工具，解决了时间序列生态系统的碎片化问题。

工作原理

它作为一个框架运行，既提供其专用的时间序列算法，也提供与其他流行机器学习库的接口。它支持广泛的学习任务，包括：

• Forecasting: 预测时间序列的未来值。
• Classification: 对时间序列数据进行分类。
• Regression: 从时间序列数据中预测连续值。
• Clustering: 将相似的时间序列分组。
• Detection: 识别异常或突变点。
• Transformations: 对时间序列应用数据转换。

用户可以使用用于流水线、集成、调优和约简的工具构建复合模型，这使得他们可以使用为一项任务设计的算法（例如 scikit-learn 回归器）来解决另一项任务（例如预测任务）。

适用对象

处理时间序列数据并需要一种标准化方法在不同算法和库之间构建、调优和验证模型的数据科学家和机器学习工程师。

亮点

• Unified Interface: 用于预测、分类、回归和异常检测的单一 API。
• Scikit-learn Compatible: 旨在与用于调优和验证的 scikit-learn 工具兼容。
• Interoperable: 提供与 statsmodels、tsfresh、PyOD 和 fbprophet 等外部库的接口。
• Extensible: 包含扩展模板，帮助用户将自定义算法添加到框架中。