make_reduction#

make_reduction(estimator, strategy='recursive', window_length=10, scitype='infer', transformers=None, pooling='local', windows_identical=True)[source]#

基于到表格或时间序列回归的归约构建预测器。

在拟合过程中，使用滑动窗口方法首先将时间序列转换为表格或面板数据，然后用于拟合表格或时间序列回归估计器。在预测过程中，将最后可用数据用作已拟合回归估计器的输入来生成预测。

请参阅下方使用以下符号表示的 make_reduction 逻辑图示

  • y = 预测目标。

  • x = 用作预测 y 的特征 (X) 的 y 的历史值

  • * = 观测值，无论过去还是未来，既不是窗口的一部分，也不是预测的一部分。

假设我们有以下训练数据（14 个观测值）

|----------------------------|
| * * * * * * * * * * * * * *|
|----------------------------|

并希望使用 window_length = 9 和 fh = [2, 4] 进行预测。

根据结构，递归归约器总是针对窗口后的第一个数据点，无论请求的预测视野如何。在示例中创建了以下 5 个窗口

|----------------------------|
| x x x x x x x x x y * * * *|
| * x x x x x x x x x y * * *|
| * * x x x x x x x x x y * *|
| * * * x x x x x x x x x y *|
| * * * * x x x x x x x x x y|
|----------------------------|

直接归约器将创建多个模型，每个预测视野一个模型。使用参数 windows_identical = True（默认值），用于训练模型的窗口由最大预测视野定义。在此示例中只能定义两个完整窗口 fh = 4（fh = [2, 4] 中的最大值）

|----------------------------|
| x x x x x x x x x * * * y *|
| * x x x x x x x x x * * * y|
|----------------------------|

所有其他预测视野也将使用这两个（最大）窗口。fh = 2

|----------------------------|
| x x x x x x x x x * y * * *|
| * x x x x x x x x x * y * *|
|----------------------------|

使用 windows_identical = False，我们放弃了为每个直接模型使用相同窗口的要求，因此可以为除最大预测视野之外的视野创建更多窗口。fh = 2

|----------------------------|
| x x x x x x x x x * y * * *|
| * x x x x x x x x x * y * *|
| * * x x x x x x x x x * y *|
| * * * x x x x x x x x x * y|
|----------------------------|

fh = 4:

|----------------------------|
| x x x x x x x x x * * * y *|
| * x x x x x x x x x * * * y|
|----------------------------|

如果您想比较不同视野的预测性能，请使用 windows_identical = True，因为所有训练的模型将使用相同的窗口。如果您希望每个预测视野都获得最高的预测精度，请使用 windows_identical = False。

参数:
estimator一个估计器实例，可以是：

  • scikit-learn 回归器或兼容接口

  • sktime 时间序列回归器

  • skpro 表格概率监督回归器，仅对于直接归约，这将产生一个概率预测器

strategystr, 可选（默认值=”recursive”）

生成预测的策略。必须是 “direct”、“recursive” 或 “multioutput” 之一。

window_lengthint, 可选（默认值=10）

滑动窗口变换中使用的窗口长度。

scitypestr, 可选（默认值=”infer”）

为向下兼容而保留的旧参数，不应使用。make_reduction 将自动推断 estimator 的正确类型。此内部推断可通过 scitype 参数强制覆盖。必须是 “infer”、“tabular-regressor” 或 “time-series-regressor” 之一。如果无法推断科学类型，则这是一个错误，应报告。

transformers: 变换器列表（默认值 = None）

适合与 make_reduction 配合使用 en-bloc 方法的变换器列表。这意味着，不是直接使用窗口长度内的 y 的原始历史观测值，而是直接从历史原始观测值生成合适的特征。目前仅支持 WindowSummarizer（或 WindowSummarizer 列表）来生成特征，例如过去 7 个观测值的平均值。目前仅适用于 RecursiveTimeSeriesRegressionForecaster。

pooling: str {“local”, “global”}, 可选

指定是针对每个实例（local）拟合单独的模型，还是希望为所有实例拟合单个模型（“global”）。目前仅适用于 RecursiveTimeSeriesRegressionForecaster。

windows_identical: bool, (默认值 = True)

仅限直接预测。指定所有直接模型是使用来自 y 的相同 X 窗口（True：窗口数量 = 总观测值 + 1 - window_length - 最大预测视野），还是根据预测视野使用不同数量的 X 窗口（False：窗口数量 = 总观测值 + 1 - window_length - 预测视野）。请参阅下方的图示以获取更多信息。

返回:
forecaster一个 sktime 预测器对象

归约预测器，包装了 estimator 类，其由 strategy 参数和 estimator 类型决定。

参考

[1]

Bontempi, Gianluca & Ben Taieb, Souhaib & Le Borgne, Yann-Aël. (2013). Machine Learning Strategies for Time Series Forecasting.

示例

>>> from sktime.forecasting.compose import make_reduction
>>> from sktime.datasets import load_airline
>>> from sklearn.ensemble import GradientBoostingRegressor
>>> y = load_airline()
>>> regressor = GradientBoostingRegressor()
>>> forecaster = make_reduction(regressor, window_length=15, strategy="recursive")
>>> forecaster.fit(y)
RecursiveTabularRegressionForecaster(...)
>>> y_pred = forecaster.predict(fh=[1,2,3])
在此页面上