functime API完全参考从基础函数到高级功能调用【免费下载链接】functimeTime-series machine learning at scale. Built with Polars for embarrassingly parallel feature extraction and forecasts on panel data.项目地址: https://gitcode.com/gh_mirrors/fu/functimefunctime是一个专注于大规模时间序列机器学习的Python库基于Polars构建专为面板数据的特征提取和预测提供高效并行计算能力。本指南将全面解析functime的API体系帮助用户从基础函数到高级功能调用快速上手。核心API概览functime的API设计遵循简洁高效原则主要模块包括预测forecasting、特征提取feature-extractors、交叉验证cross-validation等所有核心功能通过统一接口暴露确保易用性和一致性。预测模块forecasting预测模块是functime的核心提供两类预测器基础预测器和自动调优预测器。基础预测器如lasso、xgboost等可直接使用而自动调优预测器如auto_lasso通过FLAML库实现超参数和滞后变量数量的自动优化。核心类Forecaster基础预测器基类定义了拟合fit和预测predict的标准接口AutoForecaster自动调优预测器采用CFO算法实现高效超参数优化特征提取feature-extractors特征提取模块提供基于Polars的并行化特征工程能力支持时间序列的各种统计特征、滚动窗口特征和季节性特征提取。该模块通过functime.feature_extractors暴露所有功能可无缝集成到预测工作流中。交叉验证cross-validation时间序列交叉验证模块通过functime.cross_validation提供多种滚动窗口验证策略支持时间序列特有的交叉验证需求确保模型评估的准确性。高级功能解析评估与指标evaluation metrics评估模块functime.evaluation提供完整的模型评估工具配合functime.metrics中的指标函数如MAE、RMSE等可全面评估预测性能。概率预测指标目前处于实验阶段将在未来版本中正式支持。可视化工具plottingfunctime.plotting模块提供时间序列数据和预测结果的可视化功能支持趋势图、预测对比图等多种图表类型帮助用户直观理解数据模式和模型表现。预处理工具preprocessing预处理模块functime.preprocessing包含时间序列数据清洗、转换和标准化的常用工具确保输入模型的数据质量。快速开始要开始使用functime首先通过以下命令克隆仓库git clone https://gitcode.com/gh_mirrors/fu/functime然后参考官方文档中的安装指南进行环境配置。基础预测工作流通常包括数据准备、模型初始化、拟合和预测四个步骤所有API设计均遵循一致的模式降低学习成本。API文档结构完整的API文档组织在docs/api-reference/目录下按功能模块分为以下文件cross-validation.md交叉验证接口evaluation.md评估工具feature-extractors.md特征提取函数forecasting.md预测器类与方法metrics.md评估指标plotting.md可视化工具preprocessing.md数据预处理函数通过这些模块化的API设计functime实现了时间序列机器学习的全流程支持从数据处理到模型训练再到评估可视化为用户提供一站式解决方案。无论是新手还是专业用户都能快速找到适合自己需求的功能接口。【免费下载链接】functimeTime-series machine learning at scale. Built with Polars for embarrassingly parallel feature extraction and forecasts on panel data.项目地址: https://gitcode.com/gh_mirrors/fu/functime创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
functime API完全参考：从基础函数到高级功能调用
发布时间：2026/5/20 19:15:56
functime API完全参考从基础函数到高级功能调用【免费下载链接】functimeTime-series machine learning at scale. Built with Polars for embarrassingly parallel feature extraction and forecasts on panel data.项目地址: https://gitcode.com/gh_mirrors/fu/functimefunctime是一个专注于大规模时间序列机器学习的Python库基于Polars构建专为面板数据的特征提取和预测提供高效并行计算能力。本指南将全面解析functime的API体系帮助用户从基础函数到高级功能调用快速上手。核心API概览functime的API设计遵循简洁高效原则主要模块包括预测forecasting、特征提取feature-extractors、交叉验证cross-validation等所有核心功能通过统一接口暴露确保易用性和一致性。预测模块forecasting预测模块是functime的核心提供两类预测器基础预测器和自动调优预测器。基础预测器如lasso、xgboost等可直接使用而自动调优预测器如auto_lasso通过FLAML库实现超参数和滞后变量数量的自动优化。核心类Forecaster基础预测器基类定义了拟合fit和预测predict的标准接口AutoForecaster自动调优预测器采用CFO算法实现高效超参数优化特征提取feature-extractors特征提取模块提供基于Polars的并行化特征工程能力支持时间序列的各种统计特征、滚动窗口特征和季节性特征提取。该模块通过functime.feature_extractors暴露所有功能可无缝集成到预测工作流中。交叉验证cross-validation时间序列交叉验证模块通过functime.cross_validation提供多种滚动窗口验证策略支持时间序列特有的交叉验证需求确保模型评估的准确性。高级功能解析评估与指标evaluation metrics评估模块functime.evaluation提供完整的模型评估工具配合functime.metrics中的指标函数如MAE、RMSE等可全面评估预测性能。概率预测指标目前处于实验阶段将在未来版本中正式支持。可视化工具plottingfunctime.plotting模块提供时间序列数据和预测结果的可视化功能支持趋势图、预测对比图等多种图表类型帮助用户直观理解数据模式和模型表现。预处理工具preprocessing预处理模块functime.preprocessing包含时间序列数据清洗、转换和标准化的常用工具确保输入模型的数据质量。快速开始要开始使用functime首先通过以下命令克隆仓库git clone https://gitcode.com/gh_mirrors/fu/functime然后参考官方文档中的安装指南进行环境配置。基础预测工作流通常包括数据准备、模型初始化、拟合和预测四个步骤所有API设计均遵循一致的模式降低学习成本。API文档结构完整的API文档组织在docs/api-reference/目录下按功能模块分为以下文件cross-validation.md交叉验证接口evaluation.md评估工具feature-extractors.md特征提取函数forecasting.md预测器类与方法metrics.md评估指标plotting.md可视化工具preprocessing.md数据预处理函数通过这些模块化的API设计functime实现了时间序列机器学习的全流程支持从数据处理到模型训练再到评估可视化为用户提供一站式解决方案。无论是新手还是专业用户都能快速找到适合自己需求的功能接口。【免费下载链接】functimeTime-series machine learning at scale. Built with Polars for embarrassingly parallel feature extraction and forecasts on panel data.项目地址: https://gitcode.com/gh_mirrors/fu/functime创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
