Merlion

时间序列的机器学习库
授权协议 BSD-3-Clause
开发语言 Python
所属分类 神经网络/人工智能、 机器学习/深度学习
软件类型 开源软件
地区 不详
投 递 者 丁韬
操作系统 跨平台
开源组织
适用人群 未知
 软件概览

Merlion 是一个用于时间序列智能的 Python 库。它提供了一个端到端的机器学习框架,包括加载和转换数据、构建和训练模型、后处理模型输出以及评估模型性能。它支持各种时间序列学习任务,包括单变量和多变量时间序列的预测和异常检测。该库旨在为工程师和研究人员提供一站式解决方案,以快速开发满足其特定时间序列需求的模型,并在多个时间序列数据集中对它们进行基准测试。

Merlion 的主要特点是:

  • 标准化且易于扩展的数据加载和基准测试,适用于广泛的预测和异常检测数据集。
  • 用于异常检测和预测的各种模型库,在共享界面下统一。模型包括经典的统计方法、树集成和深度学习方法。高级用户可以根据需要完全配置每个模型。
  • 高效、稳健地实现良好性能并为新用户提供起点的抽象DefaultDetectorDefaultForecaster模型。
  • AutoML 用于自动超参数调整和模型选择。
  • 实用的、受行业启发的异常检测器后处理规则,使异常分数更具可解释性,同时还减少了误报的数量。
  • 易于使用的集成,结合多个模型的输出以实现更强大的性能。
  • 灵活的评估管道,模拟生产中模型的实时部署和重新训练,并评估预测和异常检测的性能。
  • 对可视化模型预测的本机支持。
  • 1. 导入包 导入 models & configs 所有模型初始化时,都需要使用模型的配置对象ModelClass(config)以及预处理模块transforms from merlion.models.forecast.arima import Arima, ArimaConfig from merlion.models.forecast.prophet import Prophet, Pr

  • 导入包 from merlion.utils import TimeSeries 格式转换 pd.DataFrame(将时间列设置为index) 和 TimeSeries之间的互相转换 转换成TimeSeries:time_series = TimeSeries.from_pd(df) 转换成DataFrame:recovered_df = time_series.to_pd() 功能 获取变量

  • import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from merlion.utils import TimeSeries from merlion.models.factory import ModelFactory from merlion.models.f

  • public class Base64Encoder { byte[] source; int length, length2; int blockCount; int paddingCount; //Encode from string, include charset public Base64Encoder(StringBuilder s, string charset) { // Conv

  • Merlion.Common.Base64Decoder Merlion.Common.Base64Encoder

  •  public class Base64Decoder  {   char[] source;   int length, length2, length3;   int blockCount;   int paddingCount;   public Base64Decoder(char[] input)   {    int temp = 0;    source = input;    le

 相关资料
  • 本文向大家介绍机器学习的时间序列是什么?,包括了机器学习的时间序列是什么?的使用技巧和注意事项,需要的朋友参考一下 顾名思义,时间序列是包含特定时间段或时间戳的数据。它包含一定时间段内的观察结果。这类数据告诉我们变量是如何根据各种因素随时间变化的。时间序列分析和预测可以用来预测未来某个时间的数据。 单变量时间序列包含在一段时间内某些时间实例中针对单个变量获取的值。多元时间序列包含在相同的周期性时间

  • Python 有着海量的可用于数据分析、统计以及机器学习的库,这使得 Python 成为很多数据科学家所选择的语言。 下面我们列出了一些被广泛使用的机器学习及其他数据科学应用的 Python 包。 Scipy 技术栈 Scipy 技术栈由一大批在数据科学中被广泛使用的核心辅助包构成,可用于统计分析与数据可视化。由于其丰富的功能和简单易用的特性,这一技术栈已经被视作实现大多数数据科学应用的必备品了。

  • 主要内容 前言 课程列表 推荐学习路线 数学基础初级 程序语言能力 机器学习课程初级 数学基础中级 机器学习课程中级 推荐书籍列表 机器学习专项领域学习 致谢 前言 我们要求把这些课程的所有Notes,Slides以及作者强烈推荐的论文看懂看明白,并完成所有的老师布置的习题,而推荐的书籍是不做要求的,如果有些书籍是需要看完的,我们会进行额外的说明。 课程列表 课程 机构 参考书 Notes等其他资

  • 机器学习与人工智能学习笔记,包括机器学习、深度学习以及常用开源框架(Tensorflow、PyTorch)等。 机器学习算法 _图片来自scikit-learn_。 机器学习全景图 _图片来自http://www.shivonzilis.com/_。

  • 机器学习与人工智能学习笔记,包括机器学习、深度学习以及常用开源框架(Tensorflow、PyTorch)等。

  • “三个臭皮匠顶个诸葛亮”。集成学习就是利用了这样的思想,通过把多分类器组合在一起的方式,构建出一个强分类器;这些被组合的分类器被称为基分类器。事实上,随机森林就属于集成学习的范畴。通常,集成学习具有更强的泛化能力,大量弱分类器的存在降低了分类错误率,也对于数据的噪声有很好的包容性。

  • 从sklearn加载流行数字数据集。数据集模块,并将其分配给可变数字。 分割数字。将数据分为两组,分别命名为X_train和X_test。还有,分割数字。目标分为两组Y_训练和Y_测试。 提示:使用sklearn中的训练测试分割方法。模型选择;将随机_状态设置为30;并进行分层抽样。使用默认参数,从X_序列集和Y_序列标签构建SVM分类器。将模型命名为svm_clf。 在测试数据集上评估模型的准确

  • 主要内容:机器学习,深度学习,机器学习与深度学习的区别,机器学习和深度学习的应用人工智能是近几年来最流行的趋势之一。机器学习和深度学习构成了人工智能。下面显示的维恩图解释了机器学习和深度学习的关系 - 机器学习 机器学习是让计算机按照设计和编程的算法行事的科学艺术。许多研究人员认为机器学习是实现人类AI的最佳方式。机器学习包括以下类型的模式 - 监督学习模式 无监督学习模式 深度学习 深度学习是机器学习的一个子领域,其中有关算法的灵感来自大脑的结构和功能,称为人工神经网络。