Представляет собой функцию автоматического построения базовой модели. Принимает на вход набор эндогенных рядов. Если рядов несколько, набор должен быть в широком формате, когда каждый столбец представляет собой отдельный ряд. Функция позволяет использовать дополнительно набор экзогенных рядов, выполнять преобразования зависимой переменной с последующими обратными преобразованиями (логарифмирование и экспоненцирование, детрендинг с последующим восстановлением тренда), конструировать признаки (лаги, скользящие средние, групповые
скользящие средние, скользящие разности, члены ряда Фурье, тренд, признаки Prophet, календарные признаки, 2-факторные взаимодействия признаков, инструментальные признаки – результаты арифметических операций над двумя признаками), выбирать способы обработки категориальных признаков, обучать модели CatBoost, LightGBM, XGBoost, ElasticNet в мультисегментном режиме, вычислять прогнозы, оценивать качество прогнозов, визуализировать прогнозы, остатки и важности по SHAP

Проверяет порядок переменных в наборах (порядок генерации признаков может повлиять на результат CatBoost)

Удлиняет индекс датафрейма на длину горизонта

Прогнозирует тренд с помощью линейной регрессии для обучающего и тестового временных рядов

Прогнозирует тренд с помощью линейной регрессии для обучающего и тестового временных рядов (когда несколько рядов)

Конструирует календарные признаки

Конструирует календарные признаки

Создает скользящие статистики

Создает скользящие статистики, используя функции пакета bottleneck, написанные на C

Создает групповые
скользящие статистики

Вычисляет лаги и
скользящие статистики

Вычисляет лаги и скользящие статистики (когда несколько рядов)

Реализует перекрестную проверку расширяющимся/скользящим окном для временных рядов со сложной предварительной подготовкой данных в цикле. Она позволит:

•       на каждой итерации создавать лаги, разности, обычные и групповые скользящие статистики, т.е. на каждой итерации лаги,
разности, обычные и групповые скользящие статистики будут использовать только информацию обучающих выборок (для вычисления скользящих статистик используется вспомогательная функция moving_stats() из модуля utils, для вычисления групповых скользящих статистик – вспомогательная функция groupby_moving_stats() из того же модуля utils);

•       логарифмировать зависимую переменную с последующим обратным преобразованием (экспоненцированием прогнозов);

•       выполнять сглаживание зависимой переменной с помощью обычного скользящего среднего для обработки выбросов;

•       прогнозировать тренд с помощью линейной регрессии, удалять его из зависимой переменной с последующим обратным преобразованием – добавлением тренда к прогнозам (используются вспомогательные функции trend_predict(), detrend() и back_detrend());

•       добавлять тренд в качестве отдельного признака;

•       добавлять в качестве признаков результаты модели тройного экспоненциального сглаживания;

•       выполнять динамическую корректировку количества итераций градиентного бустинга (пока только для CatBoost);

•       исключать определенные диапазоны дат из валидации (обычно применяют для перекрестной проверки расширяющимся окном);

•       импутировать пропуски нулем, средним значением обучающей выборки, последним известным значением обучающей выборки;

•       печатать схему перекрестной проверки на каждой итерации:

•       печатать важность каждого признака (значение на каждой итерации и усредненное значение) как:   

o разницу в значениях функции потерь для модели с этим признаком и модели без этого признака (для CatBoost);

o   нормализованный информационный выигрыш признака
(для XGBoost);

o   нормализованный вес признака (для LightGBM);

o   разницу в значениях метрики качества для модели с этим признаком и модели без этого признака (для гребневой регрессии, используется вспомогательная функция dropcol_importances());

•       печатать добавленные признаки;

•       печатать графики прогнозов;

•       печатать RMSE (значение на каждой итерации и усредненное значение)

Вычисляет члены Фурье

Выполняет перекрестную проверку расширяющимся/скользящим окном для класса ARIMA

Выполняет распараллеленный поиск наилучших комбинаций параметров p, d, q, P, D, Q ARIMA-моделей на основе перекрестной проверки расширяющимся/скользящим окном