原文：
www.kdnuggets.com/2021/12/pycaret-new-time-series-module.html
评论
作者及创始人 Moez Ali
(图像来自作者) PyCaret 新时间序列模块
PyCaret 是一个开源的低代码机器学习库，能够自动化机器学习工作流。它是一个端到端的机器学习和模型管理工具，能显著加快实验周期，提高你的生产力。
与其他开源机器学习库相比，PyCaret 是一个低代码替代库，它可以用几行代码替代数百行代码。这使得实验变得快速且高效。PyCaret 本质上是多个机器学习库和框架（如 scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray 等）的 Python 封装。
PyCaret 的设计和简洁性受到了“公民数据科学家”这一新兴角色的启发，这一术语首次由 Gartner 提出。公民数据科学家是能够执行简单和中等复杂分析任务的高级用户，这些任务以前需要更多的技术专长。
PyCaret 的新时间序列模块现已处于 beta 阶段。保持 PyCaret 的简洁性，它与现有 API 一致，并具有许多功能。包括统计测试、模型训练与选择（30+ 算法）、模型分析、自动化超参数调优、实验记录、云部署等。所有这些功能仅需少量代码（就像 pycaret 的其他模块一样）。如果你想尝试，可以查看官方的 快速入门 笔记本。
你可以使用 pip 安装这个库。如果你在同一环境中安装了 PyCaret，你必须为 pycaret-ts-alpha 创建一个单独的环境，因为存在依赖冲突。pycaret-ts-alpha 将在下一个主要版本中与主 pycaret 包合并。
pip install pycaret-ts-alphaPyCaret 的时间序列模块工作流程非常简单。它从 setup 函数开始，在这里你定义预测范围 fh 和折叠数 folds。你还可以将 fold_strategy 定义为 expanding 或 sliding。
在设置完成后，著名的 compare_models 函数会训练和评估 30+ 种算法，从 ARIMA 到 XGboost（TBATS、FBProphet、ETS 等）。
plot_model 函数可以在训练前或训练后使用。在训练前使用时，它提供了一系列时间序列 EDA 图表，使用 plotly 接口。当与模型一起使用时，plot_model 对模型残差进行处理，并可用于评估模型拟合情况。
最后，predict_model 用于生成预测。
import pandas as pd
from pycaret.datasets import get_data
data = get_data('pycaret_downloads')
data['Date'] = pd.to_datetime(data['Date'])
data = data.groupby('Date').sum()
data = data.asfreq('D')
data.head()
（图像来自作者）
# plot the data
data.plot()
（图像来自作者）‘pycaret_downloads’的时间序列图
这个时间序列是 PyCaret 库从 pip 每日下载次数的数据。
**# with functional API** from pycaret.time_series import *
setup(data, fh = 7, fold = 3, session_id = 123)**# with new object-oriented API** from pycaret.internal.pycaret_experiment import TimeSeriesExperiment
exp = TimeSeriesExperiment()
exp.setup(data, fh = 7, fold = 3, session_id = 123)
（图像来自作者）setup 函数的输出
check_stats()
（图像来自作者）check_stats 函数的输出
**# functional API**
plot_model(plot = 'ts')**# object-oriented API** exp.plot_model(plot = 'ts')
（图像来自作者）
**# cross-validation plot** plot_model(plot = 'cv')
（图像来自作者）
**# ACF plot** plot_model(plot = 'acf')
**# Diagnostics plot** plot_model(plot = 'diagnostics')
**# Decomposition plot**
plot_model(plot = 'decomp_stl')
**# functional API** best = compare_models()**# object-oriented API** best = exp.compare_models()
（图像来自作者）compare_models 函数的输出
create_model 在时间序列模块中的工作方式与在其他模块中的工作方式完全相同。
**# create fbprophet model** prophet = create_model('prophet')
print(prophet)
（图像来自作者）create_model 函数的输出
（图像来自作者）打印函数的输出
tune_model 也没有太大区别。
tuned_prophet = tune_model(prophet)
print(tuned_prophet)
（图像来自作者）tune_model 函数的输出
（图像来自作者）打印函数的输出
plot_model(best, plot = 'forecast')
（图像来自作者）
**# forecast in unknown future** plot_model(best, plot = 'forecast', data_kwargs = {'fh' : 30})
（图像来自作者）
# in-sample plot
plot_model(best, plot = 'insample')
# residuals plot
plot_model(best, plot = 'residuals')
# diagnostics plot
plot_model(best, plot = 'diagnostics')
**# finalize model** final_best = finalize_model(best)**# generate predictions** predict_model(final_best, fh = 90)
（图像来自作者）
**# save the model** save_model(final_best, 'my_best_model')
（图像来自作者）
该模块仍处于 beta 版。我们每天都在添加新功能，并进行每周的 pip 发布。请确保创建一个独立的 Python 环境，以避免与主 pycaret 的依赖冲突。该模块的最终版本将与下一次主要版本的 pycaret 合并。
???? 时间序列文档
???? 功能与路线图
开发人员：
Nikhil Gupta (主讲), Antoni Baum Satya Pattnaik Miguel Trejo Marrufo Krishnan S G
使用这个轻量级的 Python 工作流自动化库，你可以实现无限可能。如果你觉得有用，请不要忘记在我们的 GitHub 仓库上给我们 ⭐️。
想了解更多关于 PyCaret 的信息，请关注我们 LinkedIn 和 Youtube。
加入我们的 Slack 频道。邀请链接 这里。
⭐ 教程 新手入门 PyCaret？查看我们的官方笔记本！
???? 示例笔记本 由社区创建。
???? 博客 贡献者的教程和文章。
???? 文档 PyCaret 的详细 API 文档
???? 视频教程 我们的各类活动视频教程。
???? 讨论区 有问题？与社区和贡献者互动。
????️ 更新日志 变更和版本历史。
???? 路线图 PyCaret 的软件和社区发展计划。
个人简介：Moez Ali 讨论 PyCaret 及其实际应用。如果你希望自动接收通知，可以在 Medium、LinkedIn 和 Twitter 上关注 Moez。
原文。经允许转载。
相关：
-
多变量时间序列分析与基于 LSTM 的 RNN
-
PyCaret 2.3.5 新版发布！了解新功能
-
前 5 大时间序列方法
1. Google 网络安全证书 - 快速进入网络安全职业道路。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持您的组织的 IT