快捷導(dǎo)航

python?aeon庫進(jìn)行時(shí)間序列算法預(yù)測(cè)分類實(shí)例探索

更新時(shí)間：2024年02月01日 11:14:25 作者：程序員小寒

這篇文章主要介紹了python?aeon庫進(jìn)行時(shí)間序列算法預(yù)測(cè)分類實(shí)例探索,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪

python aeon時(shí)間序列算法

今天給大家分享一個(gè)神奇的 python 庫，aeon

aeon 是一個(gè)與 scikit-learn 兼容的工具包，用于執(zhí)行預(yù)測(cè)、分類和聚類等時(shí)間序列任務(wù)。它提供了廣泛的時(shí)間序列算法，包括最新進(jìn)展，并使用 numba 高效實(shí)現(xiàn)時(shí)間序列算法。

使用它可以執(zhí)行以下任務(wù)

預(yù)測(cè)，它的目標(biāo)是預(yù)測(cè)時(shí)間序列的未來值。
時(shí)間序列分類，其中給定實(shí)例的時(shí)間序列數(shù)據(jù)用于預(yù)測(cè)分類目標(biāo)類別。
時(shí)間序列回歸，其中給定實(shí)例的時(shí)間序列數(shù)據(jù)用于預(yù)測(cè)連續(xù)目標(biāo)值。
時(shí)間序列聚類，它的目標(biāo)是發(fā)現(xiàn)由具有相似時(shí)間序列的實(shí)例組成的組。
時(shí)間序列標(biāo)注，它專注于異常值檢測(cè)、變化點(diǎn)檢測(cè)和分割。
時(shí)間序列相似性搜索，它的目標(biāo)是評(píng)估時(shí)間序列與其他時(shí)間序列集合之間的相似性

庫的安裝

可以直接使用 pip 進(jìn)行安裝。注意，需要 python 版本大于等于3.8

pip install aeon

如果你想安裝包含所有可選依賴項(xiàng)的完整包，你可以使用

pip install aeon[all_extras]

預(yù)測(cè)

這里我們使用的是航空公司乘客數(shù)量數(shù)據(jù)集，并使用 numpy 來指定要預(yù)測(cè)范圍，然后使用 NaiveForecaster 算法來擬合數(shù)據(jù)并進(jìn)行預(yù)測(cè)。

from aeon.datasets import load_airline
from aeon.forecasting.base import ForecastingHorizon
from aeon.forecasting.naive import NaiveForecaster
from aeon.utils.plotting import plot_series
import numpy as np
# step 1: data specification
y = load_airline()

# step 2: specifying forecasting horizon
fh = np.arange(1, 37)

# step 3: specifying the forecasting algorithm
forecaster = NaiveForecaster(strategy="last", sp=12)

# step 4: fitting the forecaster
forecaster.fit(y)

# step 5: querying predictions
y_pred = forecaster.predict(fh)

# optional: plotting predictions and past data
plot_series(y, y_pred, labels=["y", "y_pred"])

分類

這里使用 KNeighborsTimeSeriesClassifier 算法來進(jìn)行分類。

import numpy as np
from aeon.classification.distance_based import KNeighborsTimeSeriesClassifier

X = [[[1, 2, 3, 4, 5, 5]],  # 3D array example (univariate)
     [[1, 2, 3, 4, 4, 2]],  # Three samples, one channel, six series length,
     [[8, 7, 6, 5, 4, 4]]]
y = ['low', 'low', 'high']  # class labels for each sample
X = np.array(X)
y = np.array(y)

clf = KNeighborsTimeSeriesClassifier(distance="dtw")
clf.fit(X, y)  # fit the classifier on train data

X_test = np.array(
    [[[2, 2, 2, 2, 2, 2]], [[5, 5, 5, 5, 5, 5]], [[6, 6, 6, 6, 6, 6]]]
)
y_pred = clf.predict(X_test)  # make class predictions on new data

#array(['low', 'high', 'high'], dtype='<U4')

以上就是 python aeon庫進(jìn)行時(shí)間序列算法預(yù)測(cè)分類實(shí)例探索的詳細(xì)內(nèi)容，更多關(guān)于python aeon時(shí)間序列算法的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: