Trend

Trend()

Оценка значения на момент прогноза по линейной регрессии.

Использование

transactions — обучающая таблица событий с бинарным target, одинаковым внутри каждого клиента.

from featminer import RelativeTime, one_to_many_pipeline
from featminer.formulas import Trend

features = one_to_many_pipeline(
    df=transactions,
    aggregation_key="client_id",
    target_col="target",
    event_times=("age_days",),
    relative_time_columns=(
        RelativeTime("age_days", unit="day", ascending=False),
    ),
    formulas=(Trend(),),
)

Trend() задаёт способ расчёта; pipeline подбирает совместимые колонки и условия. features содержит признаки, прошедшие отбор по таргету. age_days — возраст события в днях; меньший возраст означает более позднее событие (ascending=False).

Пример результата

Таблица df содержит события одного клиента: age_days — возраст в днях относительно момента прогноза, amount — значение. В примере нет пропусков.

	client_id	age_days	amount
0	1	20	10
1	1	10	20
2	1	0	35

Значение этого кандидата для клиента 1:

	Trend
client_id
1	34.1667

Эквивалентный расчёт на pandas

history — события не позднее момента прогноза; a — их возраст в днях, x — значения. Линия имеет вид x ≈ intercept + slope * a. Возвращается intercept: оценка при a=0, а не наклон. Если все времена совпадают, FeatMiner возвращает среднее вместо подгонки линии.

import numpy as np

history = df.loc[df["age_days"].ge(0)]
a = history["age_days"]
x = history["amount"]
slope, intercept = np.polyfit(a, x, deg=1)
result = intercept

Каталог формул.