BAIZE AI RESOURCE

时间序列机器学习工具库

Sktime

Sktime 是用于时间序列分析的 Python 工具库，以统一接口支持预测、分类、聚类及异常和变化点检测。它帮助数据分析人员和开发者在同一套工具中构建、调优和验证时间序列模型，减少处理不同任务时反复切换工具的成本。

获取资源
Sktime

资源介绍

Sktime 面向需要分析随时间变化的数据的 Python 用户，例如数据分析人员、研究人员和机器学习开发者。它把时间序列预测、分类、聚类，以及异常和变化点检测等任务放在统一接口下，方便针对不同问题选择相应方法。用户可以用它构建时间序列模型，并结合与 scikit-learn 兼容的工具进行调优和验证；项目也提供覆盖主要任务的示例笔记本。它适合已经准备好时间序列数据、希望在 Python 环境中开展建模和实验的人，而不是无需编程即可使用的在线分析页面。

应用能力

时间序列预测

提供预测任务所需的算法与工具，用历史时间序列建立模型并预测后续变化。

时间序列分类与聚类

支持对时间序列样本进行分类或聚类，帮助识别已知类别或探索相似序列。

异常与变化点检测

支持在时间序列中查找异常及变化点，帮助定位值得进一步分析的时段。

模型构建与验证

提供与 scikit-learn 兼容的工具，可用于构建、调优和验证时间序列模型。

资源配置

应用版本

v1.2.0

运行环境

WindowsmacOS

安装方式

包管理器安装

依赖环境

Python

安装与使用

  1. 准备 Python 环境，并通过 Python 包管理器安装 sktime。

  2. 准备要分析的时间序列数据，按预测、分类、聚类或检测目标选择相应方法。

  3. 在 Python 代码中调用 sktime 建立模型，并按任务需要进行预测、调优或验证。

使用案例

预测序列后续数值

使用场景分析人员需要根据已有的时间序列推测后续变化。

将历史序列用于 sktime 的预测任务，建立并验证模型，再生成后续时间点的预测结果。

查找序列中的异常时段

使用场景研究人员希望从连续观测数据中定位不寻常的变化。

使用 sktime 的异常或变化点检测方法分析时间序列，找出需要进一步检查的时段。

包含内容

sktime-source.zip
README-中文安装说明.md
LICENSE-BSD.txt
THIRD-PARTY-NOTICES.md
SHA256.txt

常见问题

Sktime 除了预测，还支持哪些时间序列任务？
还支持时间序列分类、聚类，以及异常和变化点检测。
Sktime 能与 scikit-learn 的工具配合使用吗？
可以。项目提供与 scikit-learn 兼容的工具，用于构建、调优和验证时间序列模型。
Sktime 是在线分析页面，还是需要编程使用的工具？
它是 Python 时间序列分析库，需要在 Python 环境中通过代码调用；项目另提供可在浏览器中体验的示例笔记本。