sulie Unduh - pengunduhan kode sumber sulie

sulie

Kode sumber lainnya

1.0.0

Unduh

Sulie - Model Dasar untuk Peramalan Rangkaian Waktu

Sulie menawarkan model dasar mutakhir untuk perkiraan deret waktu, memungkinkan prediksi akurat dan zero-shot dengan pengaturan minimal. Model berbasis transformator kami mengotomatiskan proses, menghilangkan kebutuhan pelatihan manual dan konfigurasi yang rumit.

Dokumentasi · Laporkan Bug · Bergabunglah dengan Slack Kami · Twitter

Fitur

Perkiraan Zero-Shot : Dapatkan perkiraan yang tepat secara instan dengan model dasar kami, tanpa memerlukan pelatihan atau pra-pemrosesan data historis.
Penyempurnaan Otomatis : Meningkatkan performa model dengan satu panggilan API. Kami mengelola seluruh jalur pelatihan, memberikan transparansi dalam pemilihan model dan metrik.
Dukungan Kovariat (Perusahaan): Melakukan perkiraan multivariat dengan menggabungkan kovariat dinamis dan statis tanpa memerlukan rekayasa fitur.
Infrastruktur Terkelola : Fokus pada perkiraan saat kami mengelola semua aspek penerapan, penskalaan, dan pemeliharaan dengan lancar.
Kumpulan Data Terpusat : Mendorong data deret waktu secara terus-menerus melalui Python SDK kami, sehingga menciptakan repositori terpusat dan berversi yang dapat diakses di seluruh organisasi Anda.

Memulai

Untuk mulai menggunakan Sulie SDK, Anda memerlukan kunci API, yang dapat dihasilkan dari Dasbor Sulie :

Kunjungi Dasbor Sulie.
Masuk ke akun Sulie Anda.
Navigasikan ke bagian Kunci API .
Hasilkan kunci API baru dan salin untuk digunakan dalam SDK.

Setelah kunci API Anda siap, Anda siap untuk mulai membuat perkiraan.

Instalasi

Untuk menginstal Sulie SDK, jalankan saja:

pip install sulie==1.0.6

Contoh Mulai Cepat

Setelah instalasi, inisialisasi SDK menggunakan kunci API Anda untuk mulai memperkirakan dengan Mimosa:

 from sulie import Sulie

# Initialize the Sulie client
client = Sulie ( api_key = "YOUR_API_KEY" )

⚡️ Fitur

1. Peramalan dengan Mimosa

Hasilkan perkiraan deret waktu yang akurat menggunakan kemampuan inferensi zero-shot Mimosa. Pendekatan ini ideal ketika Anda membutuhkan prediksi yang cepat dan andal tanpa melatih modelnya.

 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 )

Objek Forecast mencakup tiga daftar: low , median , dan high , yang sesuai dengan tingkat kepastian berbeda dalam prediksi. Ini membantu Anda memahami berbagai kemungkinan hasil, dari konservatif hingga optimis.

Anda juga dapat memvisualisasikan perkiraan secara langsung dengan memanggil fungsi plot:

 forecast . plot ()

Ini dengan cepat menghasilkan grafik yang menunjukkan rentang perkiraan, sehingga memudahkan untuk melihat tren dan variabilitas dalam hasil. Sempurna untuk analisis yang cepat dan jelas.

Parameter Peramalan

Nama	Keterangan	Bawaan
`dataset`	`Dataset` atau `pd.DataFrame` yang berisi data deret waktu.	Diperlukan
`target`	Nama kolom untuk variabel perkiraan.	Diperlukan
`group_by`	Nama kolom untuk mengelompokkan data berdasarkan (misalnya, lokasi berbeda).	`None`
`date`	Nama kolom stempel waktu.	`None`
`frequency`	Frekuensi deret waktu (misalnya, `H` untuk setiap jam).	`None`
`horizon`	Langkah-langkah waktu untuk memperkirakan ke depan.	`24`
`num_samples`	Jumlah sampel perkiraan probabilistik.	`100`

2. Penyempurnaan untuk Peramalan yang Disesuaikan

Dengan penyesuaian otomatis, Anda dapat mengoptimalkan Mimosa untuk kumpulan data dan kasus bisnis unik. Proses penyempurnaan menggunakan Weighted Quantile Loss (WQL) untuk evaluasi, sehingga memastikan akurasi yang tinggi.

 # 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 } " )

Parameter Penyempurnaan

Nama	Keterangan	Bawaan
`dataset`	`Dataset` atau `pd.DataFrame` dengan data deret waktu.	Diperlukan
`target`	Variabel target untuk pengoptimalan.	Diperlukan
`group_by`	Nama kolom untuk mengelompokkan seri DataFrame.	`None`
`description`	Deskripsi pekerjaan penyesuaian.	`None`

Setelah penyesuaian selesai, model secara otomatis diterapkan dan tersedia untuk perkiraan.

3. Mengelola Kumpulan Data

API Set Data Sulie memungkinkan Anda mengelola dan membuat versi set data Anda, sehingga dapat diakses untuk perkiraan dan penyesuaian di seluruh tim.

 # 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 } " )

Fungsi Manajemen Kumpulan Data

Unggah : Simpan dan buat versi data Anda untuk memudahkan akses dan pembaruan.
Daftar : Mengambil daftar kumpulan data yang diunggah.
Pembaruan : Menambahkan atau menimpa data untuk kumpulan data yang sudah ada.

Catatan

Kumpulan data adalah fitur opsional. Untuk membuat perkiraan atau bahkan menyempurnakan model dasar, Anda juga dapat meneruskan Pandas DataFrame ke fungsi forecast dan fine_tune .

4. Peramalan dengan Model Kustom

Model yang disempurnakan dapat dipilih untuk perkiraan baru menggunakan list_custom_models atau 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 )