regression

# 时间序列回归 Aeon 提供了 9 类时间序列回归器，用于从时间序列中预测连续值。 ## 基于卷积的回归器 应用卷积核进行特征提取： - `HydraRegressor` - 多分辨率空洞卷积 - `RocketRegressor` - 随机卷积核 - `MiniRocketRegressor` - 速度优化的简化版 ROCKET - `MultiRocketRegressor` - 组合的 ROCKET 变体 - `MultiRocketHydraRegressor` - 合并 ROCKET 和 Hydra 方法 **适用场景**：需要快速回归且具有强基准性能时。 ## 深度学习回归器 用于端到端时间回归的神经网络架构： - `FCNRegressor` - 全卷积网络 - `ResNetRegressor` - 带有跳跃连接的残差块 - `InceptionTimeRegressor` - 多尺度 Inception 模块 - `TimeCNNRegressor` - 标准 CNN 架构 - `RecurrentRegressor` - RNN/LSTM/GRU 变体 - `MLPRegressor` - 多层感知机 - `EncoderRegressor` - 通用编码器封装 - `LITERegressor` - 轻量级 Inception Time 集成 - `DisjointCNNRegressor` - 专用 CNN 架构 **适用场景**：大数据集、复杂模式或需要特征学习时。 ## 基于距离的回归器 带有时间距离度量的 k-近邻算法： - `KNeighborsTimeSeriesRegressor` - 带有 DTW, LCSS, ERP 或其他距离的 k-NN **适用场景**：小数据集、局部相似模式或需要可解释预测时。 ## 基于特征的回归器 在回归前提取统计特征： - `Catch22Regressor` - 22 个典型时间序列特征 - `FreshPRINCERegressor` - 结合多个特征提取器的流水线 - `SummaryRegressor` - 汇总统计特征 - `TSFreshRegressor` - 自动化的 tsfresh 特征提取 **适用场景**：需要可解释特征或领域特定特征工程时。 ## 混合回归器 结合多种方法： - `RISTRegressor` - 随机区间-形状转换 (Randomized Interval-Shapelet Transformation) **适用场景**：从结合区间和形状转换方法中获益时。 ## 基于区间的回归器 从时间区间提取特征： - `CanonicalIntervalForestRegressor` - 带有决策树的随机区间 - `DrCIFRegressor` - 多样化表征 CIF - `TimeSeriesForestRegressor` - 随机区间集成 - `RandomIntervalRegressor` - 简单的基于区间的方法 - `RandomIntervalSpectralEnsembleRegressor` - 谱区间特征 - `QUANTRegressor` - 基于分位数的区间特征 **适用场景**：