skpro 2.6.0

:rocket: 版本2.6.0现已发布！ 在此处阅读发布说明。.

skpro 是一个用于Python中监督概率预测的库。它提供了与 scikit-learn-like 和 scikit-base 兼容的接口，用于

• 表格 监督回归器进行概率预测 - 区间、分位数和分布预测
• 表格 概率时间到事件和生存预测 - 实例-个体生存分布
• 评估概率预测的指标，例如，弹珠损失、经验覆盖度、CRPS、生存损失
• 缩减，将 scikit-learn 回归器转换为概率 skpro 回归器，例如自助法或一致性方法
• 构建 管道和复合模型，包括通过概率性能指标进行调优
• 具有值域为 pandas.DataFrame 和类似 pandas 接口的符号概率分布

概述
开源
教程
社区
CI/CD
代码
下载
引用

:books: 文档

:speech_balloon: 哪里可以提问

问题和反馈非常受欢迎！我们坚信公开分享帮助的价值，因为它可以让更广泛的受众从中受益。

skpro 由 sktime 社区维护，我们使用相同的社交渠道。

:dizzy: 功能

我们的目标是增强 AI 模型生态系统的互操作性和可用性

• skpro 与 scikit-learn 和 sktime 兼容，例如，可以使用添加了概率模式的 skpro 概率回归器构建 sktime 概率预测器，该模式由 skpro 添加到 sklearn 回归器中

• skpro 为第一方实现提供小型包管理框架，并为接口流行的第二方和第三方组件，如 cyclic-boosting、MAPIE 或 ngboost 软件包提供接口。

skpro 精选以下类型的组件库

:hourglass_flowing_sand: 安装 skpro

要安装 skpro，请使用 pip

pip install skpro

或者，使用最大依赖项：

pip install skpro[all_extras]

发行版作为源代码包和二进制轮子提供。您可以在这里查看所有可用的轮子。

:zap: 快速入门

制作概率预测

from sklearn.datasets import load_diabetes
from sklearn.ensemble import RandomForestRegressor
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

from skpro.regression.residual import ResidualDouble

# step 1: data specification
X, y = load_diabetes(return_X_y=True, as_frame=True)
X_train, X_new, y_train, _ = train_test_split(X, y)

# step 2: specifying the regressor - any compatible regressor is valid!
# example - "squaring residuals" regressor
# random forest for mean prediction
# linear regression for variance prediction
reg_mean = RandomForestRegressor()
reg_resid = LinearRegression()
reg_proba = ResidualDouble(reg_mean, reg_resid)

# step 3: fitting the model to training data
reg_proba.fit(X_train, y_train)

# step 4: predicting labels on new data

# probabilistic prediction modes - pick any or multiple

# full distribution prediction
y_pred_proba = reg_proba.predict_proba(X_new)

# interval prediction
y_pred_interval = reg_proba.predict_interval(X_new, coverage=0.9)

# quantile prediction
y_pred_quantiles = reg_proba.predict_quantiles(X_new, alpha=[0.05, 0.5, 0.95])

# variance prediction
y_pred_var = reg_proba.predict_var(X_new)

# mean prediction is same as "classical" sklearn predict, also available
y_pred_mean = reg_proba.predict(X_new)

评估预测

# step 5: specifying evaluation metric
from skpro.metrics import CRPS

metric = CRPS()  # continuous rank probability score - any skpro metric works!

# step 6: evaluat metric, compare predictions to actuals
metric(y_test, y_pred_proba)
>>> 32.19

:wave: 如何参与

有许多方式可以参与到 skpro 的开发中，它是由 sktime 社区开发的。我们遵循 all-contributors 规范：欢迎所有形式的贡献——而不仅仅是代码。

:wave: 引用

在科学出版物中引用 skpro，请参阅 引用。