来自MIT Data to AI Lab的开源项目

ml-stars

机器学习和时间序列的基本组件。

• Github: https://github.com/sintel-dev/ml-stars
• 许可证: MIT
• 开发状态: 预alpha

概述

此存储库包含用于MLBlocks库的原始注释，以及使其中一些与MLBlocks API要求完全兼容的必要Python代码。

此外，这个库还收集了一些直接贡献的定制原语，这些原语要么结合第三方工具，要么从头开始实现新功能。

安装

需求

ml-stars 已经在 Python 3.8、3.9、3.10 和 3.11 上开发和测试过

此外，虽然这不是强制性的，但为了防止 ml-stars 在运行时与其他系统中的软件发生冲突，强烈建议使用 virtualenv

使用 pip 安装

安装 ml-stars 最简单、最推荐的方法是使用 pip

pip install ml-stars

这将从 PyPi 拖取并安装最新的稳定版本。

如果您想从源代码安装或为项目做出贡献，请阅读 贡献指南。

快速入门

本节是一系列简短的教程，帮助您开始使用 ml-stars。

我们将执行一个用于数据转换的单个原语。

1. 加载原语

运行原语的第一步是加载它。

这将通过使用 mlstars.load_primitive 函数来完成，该函数将加载指定的原语作为来自 MLBlocks 的 MLBlock 对象

在这种情况下，我们将加载 sklearn.preprocessing.MinMaxScaler 原语。

from mlstars import load_primitive

primitive = load_primitive('sklearn.preprocessing.MinMaxScaler')

2. 加载数据

StandardScaler 是一个转换原语，它将您的数据缩放到给定范围内。

要使用此原语，我们生成了一些具有数字值的合成数据。

import numpy as np

data = np.array([10, 1, 3, -1, 5, 6, 0, 4, 13, 4]).reshape(-1, 1)

data 是一个整数列表，其原始范围在 [-1, 13] 之间。

3. 应用原语

为了运行我们的原语，我们首先需要将其应用。

这个过程是它分析数据以检测数据的原始范围。

这是通过调用其 fit 方法并将 data 作为 X 传递来完成的。

primitive.fit(X=data)

4. 生成结果

一旦管道应用，我们可以通过调用原语实例的 produce 方法并再次将 data 作为 X 传递来处理数据。

transformed = primitive.produce(X=data)
transformed

完成后，我们可以看到转换后的数据包含了转换后的值

array([[0.78571429],
       [0.14285714],
       [0.28571429],
       [0.        ],
       [0.42857143],
       [0.5       ],
       [0.07142857],
       [0.35714286],
       [1.        ],
       [0.35714286]])

数据现在在 [0, 1] 范围内。

接下来是什么？

文档

历史

0.2.0 – 2023-10-24

• 升级 python 测试并移除 python 3.7 问题 #11 - 由 @sarahmish
• 为旧的 ARIMA 原语添加弃用警告 问题 #10 - 由 @sarahmish
• 移除 python 3.6 问题 #9 - 由 @sarahmish
• 添加对 python 3.10 和 3.11 的支持 问题 #8 - 由 @sarahmish

0.1.3 – 2023-09-25

• 更新 keras 适配器 问题 #7 - 由 @sarahmish

0.1.2 – 2023-08-04

• 添加 python 3.9 问题 #6 - 由 @sarahmish

0.1.1 - 2023-05-17

• 修复 ARIMA 适配器 问题 #5 - 由 @sarahmish
• 添加文档 问题 #4 - 由 @sarahmish

0.1.0 - 2023-04-18

ml-stars 首次正式发布到 PyPI：https://pypi.ac.cn/project/ml-stars/