如何将Darts中的LightGBMModel封装为Sklearn BaseEstimator？

直接多重继承BaseEstimator和LightGBMModel会存在接口不兼容问题：Sklearn的fit()期望接收特征矩阵X和目标向量y，而Darts模型的fit()是针对TimeSeries对象设计的；两者的predict()方法参数、返回格式也不匹配。以下是可行的封装方案：

核心思路 #

通过组合模式做接口适配：在自定义Sklearn估计器内部实例化Darts的LightGBMModel，重写fit()和predict()方法，完成Sklearn格式与Darts格式的双向转换。

完整代码示例 #

from darts.models import LightGBMModel
from sklearn.base import BaseEstimator, RegressorMixin
from darts import TimeSeries
import pandas as pd

class SklearnCompatibleLightGBM(BaseEstimator, RegressorMixin):
    def __init__(self, lags=4, random_state=0, **kwargs):
        # 接收LightGBMModel的所有超参数
        self.lags = lags
        self.random_state = random_state
        self.kwargs = kwargs
        # 初始化内部的Darts模型实例
        self.model = LightGBMModel(lags=lags, random_state=random_state, **kwargs)
    
    def fit(self, X, y):
        # 将Sklearn格式的X、y转换为Darts TimeSeries
        if not isinstance(X, pd.DataFrame):
            X = pd.DataFrame(X)
        if not isinstance(y, pd.Series):
            y = pd.Series(y, index=X.index)
        
        # 合并特征与目标为多变量TimeSeries，供Darts模型训练
        combined_series = TimeSeries.from_dataframe(pd.concat([X, y], axis=1))
        self.model.fit(combined_series, target=y.name)
        return self
    
    def predict(self, X):
        # 将输入X转换为Darts TimeSeries
        if not isinstance(X, pd.DataFrame):
            X = pd.DataFrame(X)
        input_series = TimeSeries.from_dataframe(X)
        
        # 调用Darts模型预测，这里适配Sklearn单样本对应单预测值的逻辑
        predictions = self.model.predict(n=len(X), series=input_series)
        # 转换为Sklearn期望的数组格式返回
        return predictions.pd_series().values

关键细节说明 #

• 继承RegressorMixin可自动获得score()方法，符合Sklearn回归器的规范
• fit()中需确保X、y带有时间索引，Darts的TimeSeries依赖时间索引处理序列数据
• predict()的逻辑可根据实际场景调整：如果是多步预测，需对应修改返回格式
• 所有Darts LightGBMModel的超参数都可通过**kwargs传入，方便用Sklearn的GridSearchCV/RandomizedSearchCV做超参数优化

内容的提问来源于stack exchange，提问作者Gabriel Caldas