Skip to main content

> ML_KUTUPHANE // SKTIME_v1.0

sktime

sktime community / NumFOCUS — Zaman serisi tahmini, sınıflandırma ve kümeleme için scikit-learn uyumlu birleşik araç seti.

time-series-forecastingv0.33.0BSD-3-Clausequalified
Resmi DokümantasyonKaynak Kod Deposu

Model Eğitimi (Training)

Destekleniyor
Desteklenen Hızlandırıcılar:
CPU
Dağıtık Eğitim (Distributed):Hayır

Model Sunumu (Inference)

Destekleniyor
Inference Hızlandırıcıları:
CPU
Hedef Ortamlar (Targets):server

Neleri Sağlar (Ne Yapar)

  • +Zaman serisi tahmini, sınıflandırma, etiketleme ve kümeleme için birleşik scikit-learn API'si
  • +Tabüler regresörleri (LightGBM, XGBoost) özyinelemeli tahminleyicilere dönüştüren indirgeme algoritmaları
  • +Zamansal çapraz doğrulama, genişleyen pencere geçmiş testleri ve değerlendirme metrikleri
  • +Zaman serilerine özel olarak tasarlanmış topluluk ve boru hattı dönüştürücüleri

Neleri Sağlamaz (Ne Yapmaz)

  • -Harici PyTorch/TensorFlow arka uçları olmadan çok GPU'lu derin nöral ağları eğitme
  • -Milisaniyenin altında uç akış çıkarımı gerçekleştirme
  • -Ses sinyali kod çözme işlemlerini yürütme

>Uygun İş Tipleri

  • scikit-learn kurallarını kullanarak modüler zaman serisi makine öğrenimi hatları oluşturma
  • Birden fazla tahmin algoritmasını istatistiksel temel modellerle kıyaslama
  • Sensör dalga formlarında zaman serisi sınıflandırması (örn. EKG sinyalleri, titreşim izleme)

>Uygun Olmayan İş Tipleri

  • 100.000 seri üzerinde ultra hızlı nokta tahmini (StatsForecast kullanın)
  • Büyük ölçekli derin öğrenme zaman serisi mimarileri (NeuralForecast veya Darts kullanın)
Veri Yerleşimi ve İkameti

Yerel olarak çalışır. Sıfır harici ağ telemetrisi.

Güvenlik Değerlendirmesi

İzin verici BSD-3-Clause lisansı. Kurumsal uygulamalar için güvenlidir.

Operasyonel Metrikler ve Bilinen Kısıtlar

Olgunluk:mature
Öğrenme Eğrisi:moderate
Operasyon Yükü:low
Maliyet Seviyesi:free-oss
> Bilinen Kısıtlamalar:
  • Karmaşık bağımlılık grafiği; onlarca harici tahminleyiciyi sarmalaması bazen sanal ortamlarda sürüm çakışmalarına yol açabilir.

İlişkili Üretim Arıza Paternleri (Incidentpedia)

Bu kütüphaneyi üretimde kullanırken aşağıdaki arıza senaryolarına karşı fail-closed korumalar uygulayın:

training-serving-skew

> Birincil Kanıt ve Doğrulama Kaynakları

sktime Documentationofficial-docs • >=0.30.0, <=0.33.x
2026-09-25HIGH