sulie
1.0.0
Sulie는 시계열 예측을 위한 최첨단 기초 모델을 제공하여 최소한의 설정으로 정확한 제로샷 예측을 가능하게 합니다. 당사의 변압기 기반 모델은 프로세스를 자동화하여 수동 교육 및 복잡한 구성이 필요하지 않습니다.
문서화 · 버그 신고 · Slack에 참여하기 · Twitter
Sulie SDK 사용을 시작하려면 Sulie Dashboard 에서 생성할 수 있는 API 키가 필요합니다.
API 키가 준비되면 예측을 시작할 수 있습니다.
Sulie SDK를 설치하려면 다음을 실행하세요.
pip install sulie==1.0.6설치 후 API 키를 사용하여 SDK를 초기화하여 Mimosa로 예측을 시작하세요.
from sulie import Sulie
# Initialize the Sulie client
client = Sulie ( api_key = "YOUR_API_KEY" )Mimosa의 제로샷 추론 기능을 사용하여 정확한 시계열 예측을 생성합니다. 이 접근 방식은 모델을 훈련하지 않고 빠르고 안정적인 예측이 필요할 때 이상적입니다.
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 객체에는 예측의 다양한 확실성 수준에 해당하는 low , median 및 high 의 세 가지 목록이 포함되어 있습니다. 이는 보수적인 것부터 낙관적인 것까지 가능한 결과의 범위를 이해하는 데 도움이 됩니다.
또한 플롯 함수를 호출하여 예측을 직접 시각화할 수도 있습니다.
forecast . plot ()이를 통해 예측 범위를 보여주는 차트가 빠르게 생성되므로 결과의 추세와 변동성을 쉽게 파악할 수 있습니다. 빠르고 명확한 분석에 적합합니다.
| 이름 | 설명 | 기본 |
|---|---|---|
dataset | 시계열 데이터를 포함하는 Dataset 또는 pd.DataFrame 입니다. | 필수의 |
target | 예측 변수의 열 이름입니다. | 필수의 |
group_by | 데이터를 그룹화하기 위한 열 이름입니다(예: 다른 위치). | None |
date | 타임스탬프 열 이름입니다. | None |
frequency | 시계열의 빈도(예: 시간별 H ). | None |
horizon | 앞으로 예측할 시간 단계입니다. | 24 |
num_samples | 확률적 예측 샘플 수입니다. | 100 |
자동 미세 조정을 통해 고유한 데이터 세트 및 비즈니스 사례에 맞게 Mimosa를 최적화할 수 있습니다. 미세 조정 프로세스에서는 평가에 WQL(Weighted Quantile Loss)을 사용하여 높은 정확도를 보장합니다.
# 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 } " )| 이름 | 설명 | 기본 |
|---|---|---|
dataset | 시계열 데이터가 있는 Dataset 또는 pd.DataFrame 입니다. | 필수의 |
target | 최적화를 위한 대상 변수입니다. | 필수의 |
group_by | DataFrame 시리즈를 그룹화할 열의 이름입니다. | None |
description | 미세 조정 작업에 대한 설명입니다. | None |
미세 조정이 완료되면 모델이 자동으로 배포되어 예측에 사용할 수 있습니다.
Sulie의 Dataset API를 사용하면 데이터 세트를 관리하고 버전을 지정하여 팀 전체에서 예측 및 세부 조정에 액세스할 수 있습니다.
# 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 } " )메모
데이터세트는 선택적인 기능입니다. 예측을 하거나 기초 모델을 미세 조정하려면 Pandas DataFrame forecast 및 fine_tune 함수에 전달할 수도 있습니다.
list_custom_models 또는 get_model 사용하여 새로운 예측을 위해 미세 조정된 모델을 선택할 수 있습니다.
# 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 )
