Zurück zu den Modellen
Transformer

ScaledAsinhTransformer

API-ReferenzQuellcode
MultivariatInverse TransformationReihen ungleicher Länge

Hyperbolic sine transformation and its inverse [1].

Known as variance stabilizing transformation, Combined with an sktime.forecasting.compose.TransformedTargetForecaster, can be useful in time series that exhibit spikes [1], [2]

Schnellstart

python
from sktime.transformations.scaledasinh import ScaledAsinhTransformer

estimator = ScaledAsinhTransformer(mad_normalization_factor=1.4826)

Tags

Fähigkeiten

  • Multivariat
  • Inverse Transformation: Unterstützt
  • Reihen ungleicher Länge
  • Fehlende Werte: Nicht unterstützt
  • Entfernt fehlende Werte: Nicht unterstützt
  • Gleicht Reihenlängen an: Nicht unterstützt

Eigenschaften

Eingabetypscitype:transform-input
Series
Ausgabetypscitype:transform-output
Series
Label-Typscitype:transform-labels
None
Fit ist leerfit_is_empty
Nein
Behält den Zeitindextransform-returns-same-time-index
Ja
Benötigt Xrequires_X
Ja
Benötigt yrequires_y
Nein
X und y brauchen denselben IndexX-y-must-have-same-index
Nein

Parameter(1)

mad_normalization_factorfloat, default = 1.4826

The normalization factor used to adjust the median absolute deviation (MAD) for asymptotically normal consistency to the standard deviation. The default value based on [1], [2] is 1.4826.

Beispiele

>>> from sktime.transformations.scaledasinh import ScaledAsinhTransformer
>>> from sktime.datasets import load_airline
>>> y = load_airline ()
>>> transformer = ScaledAsinhTransformer ()
>>> y_hat = transformer. fit_transform (y)

Referenzen

[1] (1,2,3,4,5,6,7)

Ziel F, Weron R. Day-ahead electricity price forecasting with high-dimensional structures: Univariate vs. multivariate modeling frameworks. Energy Economics. 2018 Feb 1;70:396-420.

[2] (1,2,3)

Uniejewski, B., Weron, R., Ziel, F., 2017. Variance stabilizing transformations for electricity spot price forecasting. IEEE Transactions on Power Systems, DOI: 10.1109/TPWRS.2017.2734563