[第36名] 新预测包：tsboost

首先，祝贺所有的获奖者和参与者！

我想介绍我不久前创建的一个新的开源包，用于预测具有离散时间步长的时间序列，可以通过 pypi 安装，也可以在我的 github 上找到：

https://github.com/franck-durand/tsboost

这个框架的目标是为数据科学家提供一个新的可直接投入生产环境的工具（就像 Prophet 一样），以便他们能更快地进行原型设计。

我将在我的 github 上发布我完整的 M5 解决方案，因为它使用了这个包，外加一些数据预处理和特征工程。但由于我通常是个比较懒的人，我会……在或远或近的将来完成这件事。

我在 M5 不确定性竞赛中也获得了第 15 名，我计划在“不久的将来”将我使用的方法编程实现到这个时间序列框架中。通过这种方式，将可以通过包的一个元参数在预测点的同时生成置信区间。

这真是一场非常有趣的双重竞赛。我真的很喜欢这种时间序列的测试方法：

• 100% 的分数来自私人排行榜数据（最终评估中没有来自公共排行榜的偏差）
• 我们只能提交一次（这就像你在时间序列的生产环境中一样）
• 不幸的是，在预测应该完成的时间点，仍然可能存在未来外部数据不可用而产生的偏差（例如 2016 年 6 月的美国 GDP 数据，在 2016 年 5 月底尚未公布）
• 也许这个指标不容易掌握，但我仍然相信它对于分层时间序列问题是一个很好的指标。

我也为 @kyakovlev 感到有点难过，我相信他教会了 Kagglers 很多好东西和想法，他真的值得至少进入金牌区。

致以此致！