sulie
1.0.0
Sulie は、時系列予測のための最先端の基礎モデルを提供し、最小限のセットアップで正確なゼロショット予測を可能にします。当社のトランスベースのモデルはプロセスを自動化し、手動のトレーニングや複雑な構成の必要性を排除します。
ドキュメント · バグを報告 · Slack に参加 · Twitter
Sulie SDK の使用を開始するには、 Sulie ダッシュボードから生成できる API キーが必要です。
API キーの準備ができたら、予測を開始する準備が整いました。
Sulie SDK をインストールするには、次のコマンドを実行するだけです。
pip install sulie==1.0.6インストール後、API キーを使用して SDK を初期化し、Mimosa による予測を開始します。
from sulie import Sulie
# Initialize the Sulie client
client = Sulie ( api_key = "YOUR_API_KEY" )Mimosa のゼロショット推論機能を使用して、正確な時系列予測を生成します。このアプローチは、モデルをトレーニングせずに、高速で信頼性の高い予測が必要な場合に最適です。
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 ) Forecastオブジェクトには、予測のさまざまな確実性レベルに対応する、 low 、 median 、およびhigh 3 つのリストが含まれています。これらは、保守的なものから楽観的なものまで、考えられる結果の範囲を理解するのに役立ちます。
プロット関数を呼び出して、予測を直接視覚化することもできます。
forecast . plot ()これにより、予測範囲を示すグラフが迅速に生成され、結果の傾向やばらつきを簡単に特定できるようになります。迅速かつ明確な分析に最適です。
| 名前 | 説明 | デフォルト |
|---|---|---|
dataset | 時系列データを含むDatasetまたはpd.DataFrame 。 | 必須 |
target | 予測変数の列名。 | 必須 |
group_by | データをグループ化するための列名 (異なる場所など)。 | None |
date | タイムスタンプ列の名前。 | None |
frequency | 時系列の頻度 (例: 毎時を表すH )。 | None |
horizon | 将来を予測するための時間ステップ。 | 24 |
num_samples | 確率的予測サンプルの数。 | 100 |
自動微調整により、固有のデータセットやビジネス ケースに合わせて Mimosa を最適化できます。微調整プロセスでは、評価に重み付き分位点損失 (WQL)が使用され、高い精度が保証されます。
# 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 } " )| 名前 | 説明 | デフォルト |
|---|---|---|
dataset | 時系列データを含むDatasetまたはpd.DataFrame 。 | 必須 |
target | 最適化のターゲット変数。 | 必須 |
group_by | DataFrame シリーズをグループ化する列の名前。 | None |
description | 微調整ジョブの説明。 | None |
微調整が完了すると、モデルは自動的にデプロイされ、予測に使用できるようになります。
Sulie の Dataset API を使用すると、データセットを管理およびバージョン管理できるため、チーム全体で予測や微調整を行うためにデータセットにアクセスできるようになります。
# 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 } " )注記
データセットはオプションの機能です。基礎モデルを予測したり微調整したりするには、Pandas DataFrame forecastとfine_tune関数に渡すこともできます。
list_custom_modelsまたはget_modelを使用して、新しい予測用に微調整されたモデルを選択できます。
# 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 )
