کتابخانه های مفید استخراج ویژگی برای سری زمانی


🔸کتابخانه Tsfresh یک کتابخانه قدرتمند است که به صورت خودکار صدها ویژگی از داده‌های سری زمانی استخراج می‌کند. این کتابخانه طیف گسترده‌ای از ویژگی‌های سری زمانی را از معیارهای آماری ساده گرفته تا الگوریتم‌های پیچیده محاسبه می‌کند.
این قابلیت باعث می‌شود که Tsfresh به ویژه برای استخراج جامع ویژگی‌ها بدون نیاز به مداخله دستی بسیار کاربردی باشد.

🔶کتابخانه SKtime یک فریمورک یکپارچه برای یادگیری ماشین با سری‌های زمانی است که شامل قابلیت‌هایی برای استخراج ویژگی نیز می‌باشد.
این فریمورک ابزارهایی برای تبدیل سری‌های زمانی و استخراج ویژگی‌های مرتبط ارائه می‌دهد.

🔺 فریمورک Featuretools یک چارچوب برای مهندسی ویژگی خودکار است که در مدیریت مجموعه داده‌های زمانی و رابطه‌ای بسیار قدرتمند عمل می‌کند.
این ابزار از روش Deep Feature Synthesis استفاده می‌کند تا به صورت خودکار ویژگی‌هایی را از چندین جدول داده مرتبط ایجاد کند و امکان تولید ویژگی‌های پیچیده از روابط وابسته به زمان را فراهم می‌سازد.

✅ کتابخانه Scipy Stats مجموعه‌ای جامع از توابع آماری و توزیع‌های احتمالی ارائه می‌دهد که برای استخراج ویژگی‌های آماری از داده‌های سری زمانی بسیار مفید است.

مجموعه Scipy.signal ابزارهای پردازش سیگنال ارائه می‌کند که برای تحلیل سری زمانی بسیار کاربردی هستند. این ابزارها شامل توابعی برای فیلترگذاری، نمونه‌برداری مجدد، و تحلیل طیفی هستند که می‌توان از آن‌ها برای استخراج ویژگی‌ها در حوزه فرکانس استفاده کرد.

🔸کتابخانه Tsfel یک کتابخانه کاربردی است که به طور خاص برای استخراج ویژگی از داده‌های سری زمانی طراحی شده است.
این کتابخانه طیف گسترده‌ای از ویژگی‌های سری زمانی را در حوزه‌های مختلف (آماری، طیفی، زمانی) ارائه می‌دهد، که آن را به ابزاری متمرکز و کارآمد برای وظایف مهندسی ویژگی سری‌های زمانی تبدیل می‌کند.

✅ کتابخانه Feature-engine یک کتابخانه عمومی برای مهندسی ویژگی است که شامل قابلیت‌هایی قابل استفاده برای داده‌های سری زمانی می‌باشد.
اگرچه این کتابخانه به طور خاص برای سری‌های زمانی طراحی نشده است، اما تکنیک‌هایی برای تبدیل متغیرها و روش‌های کدگذاری ارائه می‌دهد که می‌توانند در زمینه‌های مرتبط با سری زمانی مفید واقع شوند.
@datalook_ir