预测回调

%load_ext autoreload
%autoreload 2

获取每个预测时间段内的输入特征和预测结果。

如果您想在预测之前对输入进行某些操作，或者在输出在被用来更新目标（进而更新依赖于滞后的下一个特征）之前进行某些操作，您可以传递一个函数在这些时刻运行。

以下是一些示例：

import copy

import lightgbm as lgb
import numpy as np
from IPython.display import display

from mlforecast import MLForecast
from mlforecast.utils import generate_daily_series

series = generate_daily_series(1)

预测之前

检查输入

我们可以定义一个函数，在预测之前显示我们的输入数据框。

def inspect_input(new_x):
    """显示模型输入以检查它们"""
    display(new_x)
    return new_x

现在我们可以将这个函数传递给 MLForecast.predict 的 before_predict_callback 参数。

fcst = MLForecast(lgb.LGBMRegressor(verbosity=-1), freq='D', lags=[1, 2])
fcst.fit(series, static_features=['unique_id'])
preds = fcst.predict(2, before_predict_callback=inspect_input)
preds

	unique_id	lag1	lag2
0	id_0	4.15593	3.000028

	unique_id	lag1	lag2
0	id_0	5.250205	4.15593

	unique_id	ds	LGBMRegressor
0	id_0	2000-08-10	5.250205
1	id_0	2000-08-11	6.241739

保存输入特征

在每个时间戳保存发送到模型的特征是有帮助的，例如用于估计SHAP值。这可以通过SaveFeatures回调轻松实现。

from mlforecast.callbacks import SaveFeatures

fcst = MLForecast(lgb.LGBMRegressor(verbosity=-1), freq='D', lags=[1])
fcst.fit(series, static_features=['unique_id'])
save_features_cbk = SaveFeatures()
fcst.predict(2, before_predict_callback=save_features_cbk);

一旦我们调用了预测，我们可以直接获取特征。

save_features_cbk.get_features()

	unique_id	lag1
0	id_0	4.155930
1	id_0	5.281643

预测之后

在使用递归策略（默认设置）进行预测时，每个时间戳的预测结果会用来更新目标值并重新计算特征。如果您希望在此之前对这些预测结果进行某些操作，可以使用 MLForecast.predict 的 after_predict_callback 参数。

增加预测值

假设我们知道我们的模型总是低估，并且我们想通过将预测提高10%来防止这种情况发生。我们可以通过以下方式实现这一目标：

def increase_predictions(predictions):
    """所有预测提升10%"""
    return 1.1 * predictions

fcst = MLForecast(
    {'model': lgb.LGBMRegressor(verbosity=-1)},
    freq='D',
    date_features=['dayofweek'],
)
fcst.fit(series)
original_preds = fcst.predict(2)
scaled_preds = fcst.predict(2, after_predict_callback=increase_predictions)
np.testing.assert_array_less(
    original_preds['model'].values,
    scaled_preds['model'].values,
)

fcst.ts._uids = fcst.ts.uids
fcst.ts._idxs = None
fcst.ts._static_features = fcst.ts.static_features_
fcst.ts._ga = copy.copy(fcst.ts.ga)
fcst.ts._predict_setup()

for attr in ('head', 'tail'):
    new_x = fcst.ts._get_features_for_next_step(None)
    original_preds = fcst.models_['model'].predict(new_x)

    expected = 1.1 * original_preds
    actual = getattr(scaled_preds.groupby('unique_id')['model'], attr)(1).values
    np.testing.assert_equal(expected, actual)

    fcst.ts._update_y(actual)

Give us a ⭐ on Github