Kats: 시계열 데이터를 분석하고 데이터의 미래 추세를 예측하기 위한 도구 키트

1.2K 0

일반 소개

Kats는 Meta(구 Facebook)의 연구팀이 개발한 오픈 소스 툴킷으로 시계열 분석을 위해 설계되었으며, 기본적인 통계 분석부터 정교한 예측 모델링, 이상 징후 탐지 및 특징 추출에 이르기까지 다양한 기능을 다루는 가볍고 사용하기 쉬운 프레임워크를 제공합니다. 데이터 과학자든 엔지니어든 Kats를 사용하면 시계열 데이터를 보다 효율적으로 처리하고 인사이트를 얻을 수 있습니다. 광범위한 모델을 지원할 뿐만 아니라 사용자가 빠르게 시작할 수 있도록 풍부한 튜토리얼과 예제를 제공합니다.

기능 목록

시계열 데이터 분석기본 통계 특성에 대한 이해와 분석을 제공합니다.
변경 지점 감지시계열 데이터의 변경 지점을 식별합니다.
이상 징후 탐지시계열 데이터에서 이상값을 감지합니다.
트렌드 예측여러 모델을 사용하여 미래 트렌드를 예측합니다.
특징 추출 및 임베딩시계열 데이터에서 유용한 특징을 추출합니다.
다변량 분석다변량 시계열 데이터 분석 지원.

도움말 사용

설치 프로세스

Kats는 PyPI를 통해 설치할 수 있으며, 자세한 설치 단계는 다음과 같습니다:

핍을 업데이트합니다:

   pip install --upgrade pip

Kats를 설치합니다:

   pip install kats

Kats의 일부 기능만 필요한 경우 라이트 버전을 설치하면 됩니다:

   MINIMAL_KATS=1 pip install kats

사용 가이드라인

시계열 데이터 분석

필요한 라이브러리와 데이터를 가져옵니다:

   import pandas as pd
from kats.consts import TimeSeriesData
from kats.models.prophet import ProphetModel, ProphetParams
# 读取数据
air_passengers_df = pd.read_csv("path/to/air_passengers.csv", header=0, names=["time", "passengers"])
air_passengers_ts = TimeSeriesData(air_passengers_df)

예측 모델을 만들고 훈련하세요:

   params = ProphetParams(seasonality_mode='multiplicative')
model = ProphetModel(air_passengers_ts, params)
model.fit()

예측하기:

   forecast = model.predict(steps=30, freq="MS")

변경 지점 감지

변경 지점 감지 알고리즘을 소개합니다:

   from kats.detectors.cusum_detection import CUSUMDetector
# 模拟时间序列数据
df_increase = pd.DataFrame({'time': pd.date_range('2019-01-01', '2019-03-01'), 'value': np.random.randn(60).cumsum()})
ts = TimeSeriesData(df_increase)
# 进行变化点检测
detector = CUSUMDetector(ts)
change_points = detector.detector()

이상 징후 탐지

이상 징후 감지 알고리즘 가져오기:

   from kats.detectors.bocpd import BOCPDetector
# 使用模拟数据进行异常检测
detector = BOCPDetector(ts)
anomalies = detector.detector()

사용 권장 사항

데이터 전처리: 시계열 데이터가 깨끗한지 확인하고 누락된 값이나 이상값을 처리하여 분석의 정확성을 높입니다.
모델 선택: 데이터의 특성에 따라 적합한 모델을 선택하세요. kats는 여러 가지 모델을 제공하며, 실험을 통해 가장 적합한 모델을 찾을 수 있습니다.
시각화: Kats에 내장된 시각화 기능을 사용하여 데이터 패턴을 이해하고 성능을 모델링하여 결과를 분석하고 보고할 때 유용합니다.
성능 평가: 다양한 모델의 성능을 평가하고 모델을 적용하기 전에 최상의 하이퍼파라미터를 선택합니다.

일반적인 문제 처리

설치 문제: 설치 중 종속성 충돌이 발생하면 가상 환경에서 설치해 보거나 Kats의 공식 GitHub 페이지에서 FAQ를 확인하세요.
데이터 형식 문제: 데이터 형식이 Kats가 예상하는 것과 다른 경우 오류가 발생할 수 있습니다. 데이터 열 이름이 올바른지, 데이터 유형이 필요한 대로 되어 있는지 확인하세요.
성능 문제: 대규모 데이터 세트의 경우 데이터 샘플링을 고려하거나 보다 효율적인 모델을 사용하여 계산 시간을 줄이세요.