为什么开始使用sktime进行预测？

　　sktime 区别于其他预测框架的特性概述
　　预测的作用
　　企业主面临的挑战之一是预测未来的市场状况。预测有助于做出明智的决定并形成对结果的切合实际的期望。这种对预测的需求导致了预测工具的不断发展。它们能够通过从过去的观察中掌握有用的信息来预测未来的事件。最近的一些预测框架包括 Facebook 的 Prophet、Uber 的 Orbit 或 Linkedin 的 Greykite。然而，大多数 Python 预测包都专注于特定的模型系列，例如广义加性模型或统计模型。Sktime 旨在填补这些预测工具之间的空白。
　　什么是sktime？
　　Sktime 是一个用于时间序列建模的开源工具箱。它结合了分布在许多 Python 库中的功能。它还添加了自己独特的预测功能。它允许我们训练、微调和评估时间序列模型。它与 scikit-learn 兼容。该框架还支持，例如时间序列分类、特征提取和时间序列聚类。有关完整的功能列表，请查看 sktime 的文档。本文重点介绍预测以及 sktime 如何使整个过程更容易。这是 sktime 预测功能的实用演练。但首先，让我们快速浏览一下本文中使用的数据。
　　数据概览
　　所有代码示例都基于来自 statsmodels 库的公共数据集。它包含美国 1959 年至 2009 年的季度宏观经济数据。数据集的完整描述可在此处获得。我们将专注于预测实际国内生产总值 (realgdp)。
　　Sktime 对用于存储时间序列的数据结构有一定的限制。您可以在下面找到宏观经济数据的导入和转换。
　　但重点是……
　　为什么使用 sktime 进行预测？
　　1）它在一个统一的API下结合了许多预测工具
　　Sktime 汇集了来自许多预测库的功能。在此基础上，它提供了一个统一的 API，与 scikit-learn 兼容。
　　在这种情况下，统一 API 的优势是什么？以下是一些主要原因：
　　它允许用户轻松实施、分析和比较新模型。
　　由于预测者的明确分类，它有助于避免在选择合适的算法时出现混淆。
　　由于所有预报员共享一个通用界面，因此它使工作流程具有可读性和可理解性。它们在单独的类中实现，就像在其他工具箱中一样，包括 scikit-learn。
　　它支持在工作流中更改预测器。这使我们无需在每次更改模型时调整代码结构。
　　Sktime 的预测者分享了关键的 scikit-learn 方法，例如 fit() 和 predict()。下面的代码显示了一个基本的预测工作流程。
　　上面的代码生成了一个提前一步的预测。这就是我们为预测范围指定一个的原因。现在让我们关注指定地平线的不同可能性。
　　预测范围可以是一组相对或绝对值。绝对值是我们想要生成预测的特定数据点。相对值包括将进行预测的步骤列表。如果我们使用 update_predict() 方法进行滚动预测，则相对预测范围特别有用。它使我们无需在每次生成预测时更新绝对范围。当我们添加新数据时，相对范围保持不变。
　　我们还可以将相对视界转换为绝对视界，反之亦然。从绝对值到相对值的转换尤其值得一提。它不只是生成一个步骤编号列表。这些值与培训系列的最后日期有关。这意味着如果值为负，则它们是样本内预测。此功能很重要，因为预测人员可以为每个步骤拟合不同的参数。下面的代码显示了预测范围之间的差异。
　　现在让我们深入了解一些常见的 isktime 提供的界面功能。首先，指定和训练模型的过程分为单独的步骤。我们在拟合模型之前指定预测器的参数。在单变量时间序列的情况下， fit() 方法接受训练序列。对于一些预测者，例如
　　DirectTabularRegressionForecaster 或 DirectTimeSeriesRegressionForecaster，它还包含预测范围。对于其他人，预测范围可以在 predict() 方法中互换传递。以下是使用 AutoARIMA 预测单变量时间序列的示例。
　　Sktime 还允许使用外生变量进行预测。对于多元外生时间序列，拟合参数的范围更广。它包括一个训练系列和一个带有外生变量的数据框。与单变量时间序列一样，一些预测者需要参数中的预测范围。在下面的代码中，我们使用外生变量 realinv 的滞后值来预测 realgdp 的值。
　　除了拟合之外，sktime 还可以使用新数据更新预测器。这使我们能够自动更新预测的截止点，因此每次添加新数据时我们都不需要自己更改视野。截止值设置为新训练系列中的最后一个数据点。这种方法允许我们更新预测器的拟合参数。