skpro

skpro ist eine Open-Source-Python-Bibliothek für überwachte probabilistische Vorhersagen und stellt scikit-learn-ähnliche sowie scikit-base-kompatible Schnittstellen für unsicherheitsbewusste Modellierung bereit. Sie ermöglicht probabilistische Regression, Intervall- und Quantilvorhersagen, vollständige Verteilungsprognosen sowie Survival- und Time-to-Event-Analysen über eine einheitliche, erweiterbare API.

Die Bibliothek wird von der sktime-Community entwickelt und integriert sich nahtlos in das Python-Machine-Learning-Ökosystem.

Zielsetzung

Klassische Machine-Learning-Workflows liefern häufig nur Punktvorhersagen und ignorieren Unsicherheiten. skpro setzt genau hier an und macht Unsicherheitsquantifizierung zu einem zentralen Bestandteil des Modellierens.

Ziel ist es, bessere Entscheidungen, realistischere Bewertungen und robustere Modelle zu ermöglichen, indem Wahrscheinlichkeitsverteilungen, Intervalle und Quantile systematisch unterstützt werden.

Zentrale Fähigkeiten

• Probabilistische Regression für tabellarische Daten

• Intervall-, Quantil- und Verteilungsprognosen

• Time-to-Event- und Survival-Vorhersagen

• Metriken zur Bewertung probabilistischer Vorhersagen

• Reduktionen zur Erweiterung klassischer Regressoren um Unsicherheiten

• Aufbau von Pipelines und zusammengesetzten Modellen

• Symbolische Wahrscheinlichkeitsverteilungen mit pandas-kompatibler Schnittstelle

Probabilistische Vorhersagen

Tabellarische Regression

skpro unterstützt probabilistische Regression mit verschiedenen Vorhersagemodi:

• Mittelwert- und Varianzschätzung

• Prognoseintervalle

• Quantile

• Vollständige prädiktive Verteilungen

Dadurch lassen sich Unsicherheiten direkt gemeinsam mit den Vorhersagen modellieren.

Survival- und Time-to-Event-Vorhersage

Für Survival-Analysen stellt skpro Werkzeuge bereit, die instanzindividuelle Überlebensverteilungen liefern, anstatt nur einzelne Risikowerte oder Punktabschätzungen.

Modellreduktionen und Pipelines

Probabilistische Reduktionen

skpro bietet Reduktionen, mit denen klassische scikit-learn-Regressoren in probabilistische Modelle überführt werden können, unter anderem durch:

• Bootstrap-basierte Verfahren

• Konforme Vorhersage (Conformal Prediction)

• Residuenbasierte probabilistische Modellierung

So können bestehende Modelle weiterverwendet und um Unsicherheiten ergänzt werden.

Pipelines und zusammengesetzte Modelle

Modelle lassen sich zu Pipelines und komplexen Schätzern kombinieren, inklusive Hyperparameter-Optimierung auf Basis probabilistischer Leistungsmetriken.

Wahrscheinlichkeitsverteilungen

Symbolische Verteilungsobjekte

skpro stellt symbolische Wahrscheinlichkeitsverteilungen bereit mit:

• expliziter mathematischer Struktur

• Wertebereichen auf Basis von pandas DataFrames

• pandas-ähnlichen Schnittstellen zur Inspektion und Weiterverarbeitung

Diese Verteilungen können konsistent für Vorhersage, Bewertung und Analyse genutzt werden.

Bewertung und Metriken

Probabilistische Leistungsmetriken

Zur Bewertung probabilistischer Modelle bietet skpro unter anderem:

• Pinball Loss

• Empirische Abdeckung

• Continuous Ranked Probability Score (CRPS)

• Survival-spezifische Verlustfunktionen

Dies ermöglicht realistische und unsicherheitsbewusste Modellvergleiche.

Ökosystem-Kompatibilität

Integration mit scikit-learn und sktime

skpro ist vollständig kompatibel mit scikit-learn und sktime und ermöglicht hybride Workflows, zum Beispiel:

• Aufbau probabilistischer Modelle aus deterministischen Regressoren

• Kombination von Zeitreihen- und tabellarischen Modellen

• Wiederverwendung bestehender Estimatoren mit Unsicherheitsmodellierung

Interoperabilität mit externen Bibliotheken

Das Projekt integriert und kuratiert Schnittstellen zu Drittanbieter-Bibliotheken wie cyclic-boosting, MAPIE oder ngboost.

Einsatzgebiete

• Unsicherheitsbewusste Regressionsmodelle

• Risiko- und Entscheidungsunterstützungssysteme

• Survival- und Time-to-Event-Analysen

• Probabilistische Forecasting-Pipelines

• Forschung zu Unsicherheitsquantifizierung und Modellbewertung

Open Source

skpro ist freie Open-Source-Software unter der BSD 3-Clause License und wird offen von der sktime-Community entwickelt. Das Projekt bietet umfangreiche Dokumentation, Tutorials und lädt zu Beiträgen jeder Art ein.

GC.OS unterstützt skpro als Open-Source-Projekt zur Förderung interoperabler, transparenter und zuverlässiger probabilistischer Machine-Learning-Modelle.