基准测试¶

aeon.benchmarking 模块包含用于比较和评估时间序列模型、加载存储结果以及计算各种任务性能指标的工具。

结果加载中¶

用于aeon（及其他）估计器的结果加载器和加载工具。

`estimator_alias`(name)	返回可能被别名的估计器的标准名称。
`get_available_estimators`([task, as_list])	获取可用于特定学习任务的估计器的DataFrame。
`get_estimator_results`(estimators[, ...])	查找给定估计器在一系列数据集上的结果。
`get_estimator_results_as_array`(estimators[, ...])	查找给定估计器在一系列数据集上的结果。

已发布的结果¶

特定出版物的结果加载器。

`load_classification_bake_off_2017_results`([...])	获取2017年单变量时间序列分类竞赛的所有结果。
`load_classification_bake_off_2021_results`([...])	拉取2021年多变量烘焙大赛的所有结果。
`load_classification_bake_off_2023_results`([...])	拉取2023年单变量竞赛的所有结果。

重采样¶

用于重采样时间序列数据的函数。

`resample_data`(X_train, y_train, X_test, y_test)	使用随机状态进行无放回的数据重采样。
`resample_data_indices`(y_train, y_test[, ...])	使用随机状态返回无替换的数据重采样索引。
`stratified_resample_data`(X_train, y_train, ...)	使用随机状态进行无放回的分层重采样数据。
`stratified_resample_data_indices`(y_train, y_test)	返回使用随机状态进行无放回的分层数据重采样索引。

性能指标¶

用于评估aeon估计器的性能指标。

异常检测¶

`range_precision`(y_true, y_pred[, alpha, ...])	计算基于范围的精度指标。
`range_recall`(y_true, y_pred[, alpha, ...])	计算基于范围的召回率指标。
`range_f_score`(y_true, y_pred[, beta, ...])	使用基于范围的召回率和精确度指标计算F分数。
`roc_auc_score`(y_true, y_score)	计算ROC AUC分数。
`pr_auc_score`(y_true, y_score)	计算精确率-召回率AUC分数。
`rp_rr_auc_score`(y_true, y_score[, ...])	计算基于范围的精确率-召回率曲线的AUC分数。
`f_score_at_k_points`(y_true, y_score[, k])	基于单点计算k处的F分数。
`f_score_at_k_ranges`(y_true, y_score[, k])	基于异常范围计算k处的范围F分数。
`range_pr_roc_auc_support`(y_true, y_score[, ...])	计算基于范围的PR和ROC AUC。
`range_roc_auc_score`(y_true, y_score[, ...])	计算基于范围的ROC曲线下面积。
`range_pr_auc_score`(y_true, y_score[, ...])	计算基于范围的PR曲线下的面积。
`range_pr_vus_score`(y_true, y_score[, ...])	计算基于范围的PR VUS分数。
`range_roc_vus_score`(y_true, y_score[, ...])	计算基于范围的ROC VUS分数。

异常检测阈值¶

`percentile_threshold`(y_score, percentile)	根据异常分数的百分位数计算阈值。
`sigma_threshold`(y_score[, factor])	基于异常分数的标准差计算阈值。
`top_k_points_threshold`(y_true, y_score[, k])	计算一个阈值，使得至少找到k个异常点。
`top_k_ranges_threshold`(y_true, y_score[, k])	计算一个阈值，使得至少找到k个异常。

聚类¶

clustering_accuracy_score(y_true, y_pred)

计算聚类准确率。

分割¶

`count_error`(true_change_points, ...)	计算变化点数量差异的错误。
`hausdorff_error`(true_change_points, ...[, ...])	计算两组变化点之间的Hausdorff距离。
`prediction_ratio`(true_change_points, ...)	预测比率是预测变化点数量与真实变化点数量的比率。

统计¶

`check_friedman`(ranks)	检查Friedman检验是否显著。
`nemenyi_test`(ordered_avg_ranks, n_datasets, ...)	使用事后Nemenyi测试查找团。
`wilcoxon_test`(results, labels[, lower_better])	执行Wilcoxon测试。