使用numpy数组进行训练

%load_ext autoreload
%autoreload 2

将你的数据框转换为数组，以减少内存使用并加快训练速度

大多数机器学习库使用numpy数组，即使您提供的是数据框，它最终也会被转换为numpy数组。通过向这些模型提供数组，我们可以加快过程，因为转换只会发生一次。

数据设置

from mlforecast.utils import generate_daily_series

series = generate_daily_series(5)

拟合和交叉验证方法

import numpy as np
from lightgbm import LGBMRegressor
from sklearn.linear_model import LinearRegression

from mlforecast import MLForecast

fcst = MLForecast(
    models={'lr': LinearRegression(), 'lgbm': LGBMRegressor(verbosity=-1)},
    freq='D',
    lags=[7, 14],
    date_features=['dayofweek'],
)

如果您使用MLForecast中的fit/cross_validation方法，您需要做的就是提供as_numpy参数，这样会在将特征传递给模型之前将其转换为数组。

fcst.fit(series, as_numpy=True)

MLForecast(models=[lr, lgbm], freq=<Day>, lag_features=['lag7', 'lag14'], date_features=['dayofweek'], num_threads=1)

在预测时，新的特征也将被转换为数组，因此这也可以更快。

fcst.predict(1)

	unique_id	ds	lr	lgbm
0	id_0	2000-08-10	5.268787	6.322262
1	id_1	2000-04-07	4.437316	5.213255
2	id_2	2000-06-16	3.246518	4.373904
3	id_3	2000-08-30	0.144860	1.285219
4	id_4	2001-01-08	2.211318	3.236700

对于交叉验证，我们只需指定 as_numpy=True。

cv_res = fcst.cross_validation(series, n_windows=2, h=2, as_numpy=True)

预处理方法

将特征作为numpy数组处理在某些情况下也很有帮助，例如当你有类别列而库不支持它们时，例如LightGBM与polars。为了在LightGBM和polars中使用类别特征，我们必须将它们转换为整数表示，并告诉LightGBM将这些特征视为类别特征，我们可以通过以下方式实现：

series_pl = generate_daily_series(5, n_static_features=1, engine='polars')
series_pl.head(2)

shape: (2, 4)

unique_id	ds	y	static_0
cat	datetime[ns]	f64	cat
"id_0"	2000-01-01 00:00:00	36.462689	"84"
"id_0"	2000-01-02 00:00:00	121.008199	"84"

fcst = MLForecast(
    models=[],
    freq='1d',
    lags=[7, 14],
    date_features=['weekday'],
)

为了使用预处理方法获取特征数组，我们还必须请求 X, y 元组。

X, y = fcst.preprocess(series_pl, return_X_y=True, as_numpy=True)
X[:2]

array([[  0.        ,  20.30076749,  36.46268875,   6.        ],
       [  0.        , 119.51717097, 121.0081989 ,   7.        ]])

特征名称可以在 fcst.ts.features_order_ 中找到。

fcst.ts.features_order_

['static_0', 'lag7', 'lag14', 'weekday']

现在我们可以只训练一个LightGBM模型，指定特征名称以及哪些特征应被视为类别特征。

model = LGBMRegressor(verbosity=-1)
model.fit(
    X=X,
    y=y,
    feature_name=fcst.ts.features_order_,
    categorical_feature=['static_0', 'weekday'],
);

我们现在可以将这个模型添加到我们的模型字典中，如自定义训练指南中所述。

fcst.models_ = {'lgbm': model}

并用它进行预测。

fcst.predict(1)

shape: (5, 3)

unique_id	ds	lgbm
cat	datetime[ns]	f64
"id_0"	2000-08-10 00:00:00	448.796188
"id_1"	2000-04-07 00:00:00	81.058211
"id_2"	2000-06-16 00:00:00	4.450549
"id_3"	2000-08-30 00:00:00	14.219603
"id_4"	2001-01-08 00:00:00	87.361881

Give us a ⭐ on Github