इस प्रोजेक्ट के बारे में

Darts एक Python 3.10+ लाइब्रेरी है जो समय-श्रृंखला डेटा पर मॉडल प्रशिक्षित करने, मूल्यांकन करने और उपयोग करने के लिए है। इसका TimeSeries एब्स्ट्रैक्शन एकल-चर और बहु-चर श्रृंखला का समर्थन करता है और pandas, Polars, NumPy, PyArrow, xarray, और अन्य बैकएंड के साथ डेटा का आदान-प्रदान कर सकता है। पूर्वानुमान मॉडल में ARIMA, VARIMA, ExponentialSmoothing, Prophet, N-BEATS, और scikit-learn-संगत रिग्रेसर शामिल हैं। मॉडल सुसंगत fit() और predict() वर्कफ़्लो का पालन करते हैं और कई श्रृंखलाओं, नमूना भार, स्थानांतरित आउटपुट विंडो, पिछले-अवलोकित या भविष्य-ज्ञात सहसंयोजक, और स्थिर सहसंयोजक का समर्थन कर सकते हैं। कई मॉडल बहु-चर डेटा और संभाव्य पूर्वानुमान को नमूनों, वितरण मापदंडों, या क्वांटाइल के माध्यम से संभालते हैं। कन्फॉर्मल भविष्यवाणी मॉडल पूर्व-प्रशिक्षित वैश्विक पूर्वानुमान मॉडल के लिए कैलिब्रेटेड क्वांटाइल अंतराल उत्पन्न कर सकते हैं। लाइब्रेरी मूविंग-विंडो बैकटेस्टिंग, पदानुक्रमित समाधान ट्रांसफॉर्मर, R² और माध्य निरपेक्ष स्केल्ड त्रुटि सहित समय-श्रृंखला मेट्रिक्स, कुछ मॉडलों के लिए SHAP-आधारित व्याख्या, और स्केलिंग, इम्प्यूटेशन, डिफरेंशियल, और बॉक्स-कॉक्स जैसे डेटा परिवर्तन भी प्रदान करती है। फ़िल्टरिंग मॉडल में KalmanFilter, GaussianProcessFilter, और MovingAverageFilter शामिल हैं। darts.ad मॉड्यूल विसंगति स्कोरर, डिटेक्टर, और एग्रीगेटर को जोड़ता है। इसमें KMeansScorer और QuantileDetector जैसे उदाहरण शामिल हैं, यह पूर्वानुमान या फ़िल्टरिंग मॉडल को वास्तविकताओं के साथ तुलना करके लपेट सकता है, और PyODScorer के माध्यम से PyOD डिटेक्टर लागू कर सकता है। डीप-लर्निंग मॉडल PyTorch Lightning का उपयोग करते हैं, जिसमें कस्टम कॉलबैक, GPU या TPU, और कस्टम ट्रेनर के लिए समर्थन है। MLflow एकीकरण प्रयोग ट्रैकिंग, तुलना, और स्थायित्व का समर्थन करता है। स्थापना pip के माध्यम से उपलब्ध है, और README में क्विकस्टार्ट, उपयोगकर्ता गाइड, API संदर्भ, उदाहरण, और विषय लेखों के लिंक हैं।