YfromX#

YfromX(estimator, pooling='local')[source]#

一种简单归约方法，用于从并发的外生变量预测内生变量。

根据时间索引将所有已见的 X 和 y 制成表格，并应用表格形式的监督回归。

在 fit 中，给定内生时间序列 y 和外生变量 X：将 estimator 拟合到按如下方式定义特征-标签对。

特征 = \(y(t)\), 标签：\(X(t)\) 涵盖所有已观测到上述值（即存在于索引中）的 \(t\)

在 predict 中，对于预测范围内的时刻 \(t\)，使用 estimator 从标签：\(X(t)\) 预测 \(y(t)\)

如果回归器是 skpro 概率回归器，并且具有 predict_interval 等方法，则使用 estimator 从标签：\(X(t)\) 预测 \(y(t)\)，并传递 predict_interval 等参数。

如果没有提供外生数据，将预测在 fit 中看到的 y 的平均值。

为了不使用全部历史数据进行拟合并定期更新，可以将其与 UpdateRefitsEvery 结合使用。

为了处理缺失数据，可以将其与 Imputer 结合使用。

要构建自定义直接归约器，可以将其与 YtoX、Lag 或 ReducerTransform 结合使用。

参数:
estimatorsklearn 回归器 或 skpro 概率回归器,

必须与归约算法中使用的 sklearn 或 skpro 接口表格回归算法兼容；如果使用 skpro 回归器，则结果预测器将具有概率预测能力

poolingstr 类型，以下之一：[“local”, “global”, “panel”]，可选，默认为 “local”

数据被汇集以拟合监督回归模型的级别 “local” = 单元/实例级别，每个最低层级级别有一个归约模型 “global” = 顶层级别，对所有汇集数据（忽略级别）有一个整体归约模型 “panel” = 倒数第二层级别，每个面板级别 (-2) 有一个归约模型 如果层级小于等于 2，“global” 和 “panel” 的结果相同 如果只有 1 个层级（单个时间序列），则所有三个设置的结果一致

示例

>>> from sktime.datasets import load_longley
>>> from sktime.split import temporal_train_test_split
>>> from sktime.forecasting.compose import YfromX
>>> from sklearn.linear_model import LinearRegression
>>>
>>> y, X = load_longley()
>>> y_train, y_test, X_train, X_test = temporal_train_test_split(y, X)
>>> fh = y_test.index
>>>
>>> f = YfromX(LinearRegression())
>>> f.fit(y=y_train, X=X_train, fh=fh)
YfromX(...)
>>> y_pred = f.predict(X=X_test)

YfromX 也可以与 skpro 概率回归器一起使用，在这种情况下，结果预测器将能够进行概率预测： >>> from skpro.regression.residual import ResidualDouble # doctest: +SKIP >>> reg_proba = ResidualDouble(LinearRegression()) # doctest: +SKIP >>> f = YfromX(reg_proba) # doctest: +SKIP >>> f.fit(y=y_train, X=X_train, fh=fh) # doctest: +SKIP YfromX(…) >>> y_pred = f.predict_interval(X=X_test) # doctest: +SKIP

本页内容