aeon

This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.

1. Zainstaluj Aeon za pomocą polecenia uv pip install aeon w swoim środowisku Python.

2. Załaduj dane szeregu czasowego – możesz użyć wbudowanych zbiorów danych z aeon.datasets lub przygotować własne dane w formacie obsługiwanym przez bibliotekę.

3. Wybierz odpowiedni algorytm w zależności od zadania: do klasyfikacji szeregów czasowych użyj RocketClassifier lub MiniRocketClassifier dla szybkości, albo HIVECOTEV2 dla maksymalnej dokładności; do prognozowania, detekcji anomalii lub grupowania wybierz moduł odpowiadający Twojemu celowi.

4. Utwórz instancję wybranego klasyfikatora lub modelu, na przykład clf = RocketClassifier(n_kernels=10000) dla klasyfikacji.

5. Wytrenuj model na danych treningowych za pomocą clf.fit(X_train, y_train), gdzie X_train to Twoje szeregi czasowe, a y_train to etykiety.

6. Oceń wydajność modelu na danych testowych używając clf.score(X_test, y_test) lub innych metryk ewaluacji dostępnych w bibliotece.