sulie
1.0.0
Sulie ofrece modelos básicos de vanguardia para el pronóstico de series temporales, lo que permite predicciones precisas y precisas con una configuración mínima. Nuestros modelos basados en transformadores automatizan el proceso, eliminando la necesidad de capacitación manual y configuraciones complejas.
Documentación · Informar error · Únase a nuestro Slack · Twitter
Para comenzar a usar Sulie SDK, necesitará una clave API, que se puede generar desde Sulie Dashboard :
Con su clave API lista, está listo para comenzar a realizar pronósticos.
Para instalar el SDK de Sulie, simplemente ejecute:
pip install sulie==1.0.6Después de la instalación, inicialice el SDK usando su clave API para comenzar a realizar pronósticos con Mimosa:
from sulie import Sulie
# Initialize the Sulie client
client = Sulie ( api_key = "YOUR_API_KEY" )Genere pronósticos precisos de series temporales utilizando las capacidades de inferencia de disparo cero de Mimosa. Este enfoque es ideal cuando necesita predicciones rápidas y confiables sin entrenar el modelo.
import pandas as pd
# Example time series data
df = pd . DataFrame ({
'timestamp' : pd . date_range ( start = '2023-01-01' , periods = 1000 , freq = 'H' ),
'demand' : [ ... ], # Demand data
'location' : [ 'Plant A' , ...] # Data for different locations
})
# Forecast demand for each location over the next 24 hours
forecast = client . forecast (
dataset = df ,
target = 'demand' ,
group_by = 'location' ,
date = 'timestamp' ,
frequency = 'H' ,
horizon = 24 , # Predict 24 hours ahead
num_samples = 100 # Generate probabilistic forecasts
)
print ( forecast ) El objeto Forecast incluye tres listas: low , median y high , correspondientes a diferentes niveles de certeza en las predicciones. Estos le ayudan a comprender la gama de resultados posibles, desde conservadores hasta optimistas.
También puedes visualizar los pronósticos directamente llamando a la función de trazado:
forecast . plot ()Esto genera rápidamente un gráfico que muestra los rangos de pronóstico, lo que facilita detectar tendencias y variabilidad en los resultados. Perfecto para un análisis rápido y claro.
| Nombre | Descripción | Por defecto |
|---|---|---|
dataset | Un Dataset o pd.DataFrame que contiene datos de series temporales. | Requerido |
target | Nombre de columna para la variable de pronóstico. | Requerido |
group_by | Nombre de columna para agrupar datos (por ejemplo, diferentes ubicaciones). | None |
date | Nombre de la columna de marca de tiempo. | None |
frequency | Frecuencia de la serie temporal (p. ej., H por hora). | None |
horizon | Pasos de tiempo para pronosticar el futuro. | 24 |
num_samples | Número de muestras de pronóstico probabilístico. | 100 |
Con el ajuste automático, puede optimizar Mimosa para conjuntos de datos y casos de negocios únicos. El proceso de ajuste utiliza la pérdida de cuantiles ponderada (WQL) para la evaluación, lo que garantiza una alta precisión.
# Fine-tune Mimosa on custom dataset
fine_tune_job = client . fine_tune (
dataset = df ,
target = "demand" ,
description = "Fine-tune for Plant A demand prediction"
)
# Check the fine-tuning job status
print ( f"Job status: { fine_tune_job . status } " )| Nombre | Descripción | Por defecto |
|---|---|---|
dataset | Un Dataset o pd.DataFrame con datos de series temporales. | Requerido |
target | Variable objetivo para la optimización. | Requerido |
group_by | Nombre de la columna por la que agrupar la serie DataFrame. | None |
description | Descripción del trabajo de ajuste. | None |
Una vez que se completa el ajuste, el modelo se implementa automáticamente y está disponible para realizar pronósticos.
La API de conjunto de datos de Sulie le permite administrar y versionar sus conjuntos de datos, haciéndolos accesibles para realizar pronósticos y ajustes entre equipos.
# Upload a dataset to Sulie
dataset = client . upload_dataset (
name = "product-sales-data-v1" ,
df = df ,
mode = "append" # Choose 'append' or 'overwrite'
)
# List available datasets
datasets = client . list_datasets ()
print ( f"Available datasets: { datasets } " )Nota
Los conjuntos de datos son una característica opcional. Para hacer pronósticos o incluso ajustar un modelo básico, también puede pasar un Pandas DataFrame a las funciones de forecast y fine_tune .
Se pueden seleccionar modelos ajustados para nuevos pronósticos usando list_custom_models o get_model .
# List custom and fine-tuned models
custom_models = client . list_custom_models ()
# Select and forecast with a fine-tuned model
model_name = custom_models [ 0 ]. name
custom_model = client . get_model ( model_name )
# Forecast using the selected model
forecast_custom = custom_model . forecast (
dataset = df ,
target = 'demand' ,
group_by = 'location' ,
date = 'timestamp' ,
frequency = 'H' ,
horizon = 24 ,
num_samples = 50
)
print ( forecast_custom )
