sulie
1.0.0
Sulie นำเสนอโมเดลพื้นฐานที่ล้ำสมัยสำหรับการคาดการณ์อนุกรมเวลา ช่วยให้สามารถ คาดการณ์ได้อย่างแม่นยำและไร้ช็อต ด้วยการตั้งค่าเพียงเล็กน้อย โมเดลที่ใช้หม้อแปลงไฟฟ้าของเราทำให้กระบวนการเป็นแบบอัตโนมัติ โดยขจัดความจำเป็นในการฝึกอบรมด้วยตนเองและการกำหนดค่าที่ซับซ้อน
เอกสารประกอบ · รายงานข้อผิดพลาด · เข้าร่วม Slack ของเรา · Twitter
ในการเริ่มใช้ Sulie SDK คุณจะต้องมีคีย์ API ซึ่งสามารถสร้างได้จาก Sulie Dashboard :
เมื่อคีย์ API ของคุณพร้อม คุณก็พร้อมที่จะเริ่มการคาดการณ์แล้ว
หากต้องการติดตั้ง Sulie SDK เพียงเรียกใช้:
pip install sulie==1.0.6หลังการติดตั้ง ให้เริ่มต้น SDK โดยใช้คีย์ API ของคุณเพื่อเริ่มการคาดการณ์ด้วย Mimosa:
from sulie import Sulie
# Initialize the Sulie client
client = Sulie ( api_key = "YOUR_API_KEY" )สร้างการคาดการณ์อนุกรมเวลาที่แม่นยำโดยใช้ความสามารถ ในการอนุมานแบบ Zero-shot ของ Mimosa แนวทางนี้เหมาะอย่างยิ่งเมื่อคุณต้องการการคาดการณ์ที่รวดเร็วและเชื่อถือได้โดยไม่ต้องฝึกโมเดล
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 ) ออบเจ็กต์ Forecast ประกอบด้วยสามรายการ: low , median และ high ซึ่งสอดคล้องกับระดับความแน่นอนที่แตกต่างกันในการทำนาย สิ่งเหล่านี้ช่วยให้คุณเข้าใจช่วงของผลลัพธ์ที่เป็นไปได้ ตั้งแต่แบบอนุรักษ์นิยมไปจนถึงเชิงบวก
คุณยังสามารถแสดงภาพการคาดการณ์ได้โดยตรงโดยการเรียกใช้ฟังก์ชัน plot:
forecast . plot ()ซึ่งจะสร้างแผนภูมิที่แสดงช่วงการคาดการณ์อย่างรวดเร็ว ทำให้ง่ายต่อการมองเห็นแนวโน้มและความแปรปรวนในผลลัพธ์ เหมาะสำหรับการวิเคราะห์ที่รวดเร็วและชัดเจน
| ชื่อ | คำอธิบาย | ค่าเริ่มต้น |
|---|---|---|
dataset | Dataset หรือ pd.DataFrame ที่มีข้อมูลอนุกรมเวลา | ที่จำเป็น |
target | ชื่อคอลัมน์สำหรับตัวแปรการคาดการณ์ | ที่จำเป็น |
group_by | ชื่อคอลัมน์เพื่อจัดกลุ่มข้อมูลตาม (เช่น ตำแหน่งที่แตกต่างกัน) | None |
date | ชื่อคอลัมน์การประทับเวลา | None |
frequency | ความถี่ของอนุกรมเวลา (เช่น H สำหรับรายชั่วโมง) | None |
horizon | ขั้นตอนเวลาในการพยากรณ์ล่วงหน้า | 24 |
num_samples | จำนวนตัวอย่างการพยากรณ์ความน่าจะเป็น | 100 |
ด้วยการปรับแต่งอัตโนมัติ คุณสามารถเพิ่มประสิทธิภาพ Mimosa สำหรับชุดข้อมูลและกรณีทางธุรกิจที่ไม่ซ้ำใครได้ กระบวนการปรับแต่งอย่างละเอียดใช้ Weighted Quantile Loss (WQL) ในการประเมิน เพื่อให้มั่นใจว่ามีความแม่นยำสูง
# 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 } " )| ชื่อ | คำอธิบาย | ค่าเริ่มต้น |
|---|---|---|
dataset | Dataset หรือ pd.DataFrame พร้อมข้อมูลอนุกรมเวลา | ที่จำเป็น |
target | ตัวแปรเป้าหมายสำหรับการเพิ่มประสิทธิภาพ | ที่จำเป็น |
group_by | ชื่อของคอลัมน์ที่จะจัดกลุ่มชุด DataFrame ตาม | None |
description | คำอธิบายของงานปรับแต่ง | None |
เมื่อการปรับแต่งอย่างละเอียดเสร็จสิ้น โมเดลจะถูกปรับใช้โดยอัตโนมัติและพร้อมสำหรับการคาดการณ์
Dataset API ของ Sulie ช่วยให้คุณจัดการและกำหนดเวอร์ชันชุดข้อมูล ทำให้เข้าถึงการคาดการณ์และปรับแต่งทั่วทั้งทีมได้
# 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 } " )บันทึก
ชุดข้อมูลเป็นคุณลักษณะเสริม หากต้องการคาดการณ์หรือปรับแต่งโมเดลพื้นฐาน คุณอาจส่ง Pandas DataFrame ไปยังฟังก์ชัน forecast และ fine_tune ได้
คุณสามารถเลือกแบบจำลองที่ปรับแต่งอย่างละเอียดสำหรับการคาดการณ์ใหม่ได้โดยใช้ list_custom_models หรือ 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 )
