sktime/skpro

解決的問題

許多標準的機器學習迴歸模型僅提供單一的點估計（平均值）作為預測結果。skpro 透過支援監督式機率預測解決此問題，使使用者能預測區間、分位數與完整的機率分佈，而不僅僅是單一數值。

工作原理

skpro 提供一組與 scikit-learn 相容的介面與工具，可將標準迴歸器轉換為機率模型。它使用還原法（如自助法或共形預測）等技術，將現有的 scikit-learn 迴歸器轉化為機率模型。此外，它還提供專門用於表格型機率迴歸、時間至事件（生存）預測，以及與 pandas DataFrames 集成的符號機率分佈的模組。

適用對象

需要量化預測不確定性的資料科學家與機器學習工程師，特別是處理表格資料或生存分析，且偏好 scikit-learn 生態系統的使用者。

主要特色

• 機率迴歸：可預測區間、分位數與完整分佈。
• 生存分析：支援機率性時間至事件與生存預測。
• 評估指標：包含針對機率預測的專用指標，如分位數損失（pinball loss）、CRPS 與經驗覆蓋率。
• 互操作性：與 scikit-learn 和 sktime 完全相容，並可與 MAPIE、ngboost 與 cyclic-boosting 等第三方套件整合。