class AlignerDtwNumba(weighted: bool = False, derivative: bool = False, window=None, itakura_max_slope=None, bounding_matrix: ndarray = None, g: float = 0.0)[source]#

sktime 原生 DTW 对齐器的接口，支持微分或加权。

简单动态时间规整（DTW）对齐的接口，以及以下加权/微分版本

WDTW - 加权动态时间规整 - weighted=True, derivative=False

DDTW - 微分动态时间规整 - weighted=False, derivative=True
WDDTW - 加权微分动态时间规整 - weighted=True, derivative=True
sktime 对 sktime.distances 中 distance_alignment_path 提供的基于 numba 的高效实现的接口。

该估计器提供了高效的时间规整实现，适用于： * 长度相等的时间序列 * 欧几里得成对距离

对于不等长的时间序列，请使用 sktime.aligners.AlignerDTW。要使用任意成对距离，请使用 sktime.aligners.AlignerDTWfromDist。（对于微分 DTW，可将一个对齐距离与 Differencer 组成流水线）

这些距离也作为成对转换器在 sktime.dists_kernels.dtw 中提供。

请注意，上面更灵活的选项性能可能较低。

DTW 最初在 [1] 中提出，DTW 通过在计算过程中考虑时间序列的对齐方式来计算两者之间的距离。这通过测量两个时间序列所有元素之间的点wise距离（通常使用欧几里得距离）然后使用动态规划寻找使重对齐时间序列总点wise距离最小的规整路径来实现。

DDTW 是 DTW 的一种变体，最初在 [2] 中提出。DDTW 试图通过更好地考虑时间序列的“形状”来改进 DTW。这是通过将 y 轴数据点视为“形状”的更高级特征来实现的。为此，首先计算序列的一阶导数，然后使用这个派生序列进行 DTW 计算。

WDTW 最初在 [3] 中提出，它基于规整距离添加了乘法权重惩罚。这意味着相位差较小的时间序列施加的权重较小（即施加的惩罚较少），而相位差较大的时间序列施加的权重较大（即施加的惩罚较大）。

WDDTW 最初在 [3] 中提出，作为 DDTW 的扩展。通过给导数添加权重，这意味着对齐不仅考虑时间序列的形状，还考虑相位。

参数:

weightedbool，可选，默认=False

是否计算加权版本的距离。 False = 未修改的距离，即 DTW 距离或微分 DTW 距离。 True = 加权距离，即加权 DTW 或加权微分 DTW。: derivativebool，可选，默认=False
是否计算距离或微分距离。 False = 未修改的距离，即 DTW 距离或加权 DTW 距离。 True = 微分距离，即微分 DTW 距离或微分 WDTW。: window: int，默认 = None
Sakoe-Chiba 窗口半径，指定边界矩阵的三种互斥方式之一。如果为 None，则不使用 Sakoe-Chiba 窗口。如果为 int，则使用半径为 window 的 Sakoe-Chiba 下界窗口。如果传递了 window，则 itakura_max_slope 将被忽略。: itakura_max_slope: float，介于 0. 和 1. 之间，默认=None
Itakura 平行四边形斜率，指定边界矩阵的三种互斥方式之一。如果为 None，则不使用 Itakura 平行四边形下界。如果为 float，则使用斜率梯度为 itakura_max_slope 的 Itakura 平行四边形下界。: bounding_matrix: 可选，2D np.ndarray，默认=None
指定边界矩阵的三种互斥方式之一。形状必须为 (len(X), len(X2))，len 表示时间点数量，其中 X、X2 是在 transform 中传入的两个时间序列。要使用的自定义边界矩阵。如果提供了此参数，则 window 和 itakura_max_slope 将被忽略。矩阵的结构应使得边界内考虑的索引值为 0，边界外的索引值为无穷大。: g: float，可选，默认=0。仅当 weighted=True 时使用。
控制函数曲率（斜率）的常数；即，g 控制对相位差较大的点施加的惩罚程度。: 属性:

is_fitted

fit 方法是否已被调用。: 参考文献

H. Sakoe, S. Chiba, “Dynamic programming algorithm optimization for spoken word recognition,” IEEE Transactions on Acoustics, Speech and Signal Processing, vol. 26(1), pp. 43–49, 1978.

[1]

Keogh, Eamonn & Pazzani, Michael. (2002). Derivative Dynamic Time Warping. First SIAM International Conference on Data Mining. 1. 10.1137/1.9781611972719.1.

[2]

Young-Seon Jeong, Myong K. Jeong, Olufemi A. Omitaomu, Weighted dynamic time

[3] (1,2)

warping for time series classification, Pattern Recognition, Volume 44, Issue 9, 2011, Pages 2231-2240, ISSN 0031-3203, https://doi.org/10.1016/j.patcog.2010.09.022。

时间序列分类中的扭曲，Pattern Recognition，第 44 卷，第 9 期，2011 年，第 2231-2240 页，ISSN 0031-3203，https://doi.org/10.1016/j.patcog.2010.09.022。

示例

>>> from sktime.utils._testing.series import _make_series
>>> from sktime.alignment.dtw_numba import AlignerDtwNumba
>>>
>>> X0 = _make_series(return_mtype="pd.DataFrame")  
>>> X1 = _make_series(return_mtype="pd.DataFrame")  
>>> d = AlignerDtwNumba(weighted=True, derivative=True)  
>>> align = d.fit([X0, X1]).get_alignment()  

方法

`check_is_fitted`([method_name])	检查估计器是否已拟合。
`clone`()	获取一个具有相同超参数和配置的对象的克隆。
`clone_tags`(estimator[, tag_names])	从另一个对象克隆标签作为动态覆盖。
`create_test_instance`([parameter_set])	使用第一个测试参数集构造类的一个实例。
`create_test_instances_and_names`([parameter_set])	创建所有测试实例的列表及其名称列表。
`fit`(X[, Z])	根据要对齐的时间序列/序列进行拟合。
`get_aligned`()	返回传入 fit 方法的序列的对齐版本。
`get_alignment`()	返回传入 fit 方法的序列/时间序列的对齐（iloc 索引）。
`get_alignment_loc`()	返回传入 fit 方法的序列/时间序列的对齐（loc 索引）。
`get_class_tag`(tag_name[, tag_value_default])	从类中获取类标签值，并从父类继承标签层级。
`get_class_tags`()	从类中获取类标签，并从父类继承标签层级。
`get_config`()	获取自身的配置标志。
`get_distance`()	返回对齐的总距离。
`get_distance_matrix`()	返回对齐的距离矩阵。
`get_fitted_params`([deep])	获取已拟合参数。
`get_param_defaults`()	获取对象的默认参数。
`get_param_names`([sort])	获取对象的参数名称。
`get_params`([deep])	获取此对象的参数值字典。
`get_tag`(tag_name[, tag_value_default, ...])	从实例获取标签值，具有标签层级继承和覆盖。
`get_tags`()	从实例获取标签，具有标签层级继承和覆盖。
`get_test_params`([parameter_set])	返回估计器的测试参数设置。
`is_composite`()	检查对象是否由其他 BaseObjects 组成。
`load_from_path`(serial)	从文件位置加载对象。
`load_from_serial`(serial)	从序列化的内存容器加载对象。
`reset`()	将对象重置到干净的初始化后状态。
`save`([path, serialization_format])	将序列化的自身保存到字节类对象或到 (.zip) 文件。
`set_config`(**config_dict)	将配置标志设置为给定值。
`set_params`(**params)	设置此对象的参数。
`set_random_state`([random_state, deep, ...])	为自身设置 random_state 伪随机种子参数。
`set_tags`(**tag_dict)	将实例级标签覆盖设置为给定值。

classmethod get_test_params(parameter_set='default')[source]#

返回估计器的测试参数设置。

weightedbool，可选，默认=False

parameter_setstr，默认=”default”: 要返回的测试参数集的名称，用于测试。如果未为值定义特殊参数，将返回 "default" 集。目前没有为对齐器保留的值。

返回:

paramsdict 或 dict 列表，默认 = {}: 用于创建类测试实例的参数。每个 dict 都是构造一个“有趣的”测试实例的参数，即 MyClass(**params) 或 MyClass(**params[i]) 创建一个有效的测试实例。create_test_instance 使用 params 中的第一个（或唯一的）字典。

check_is_fitted(method_name=None)[source]#

检查估计器是否已拟合。

检查 _is_fitted 属性是否存在且为 True。 is_fitted 属性应在调用对象的 fit 方法时设置为 True。

如果不是，则抛出 NotFittedError。

weightedbool，可选，默认=False

method_namestr，可选: 调用此函数的方法的名称。如果提供，错误消息将包含此信息。

抛出:

NotFittedError: 如果估计器尚未拟合。

clone()[source]#

获取一个具有相同超参数和配置的对象的克隆。

克隆是一个不同的对象，没有共享引用，处于初始化后状态。此函数等同于返回 sklearn.clone(self)。

等同于构造一个 type(self) 的新实例，使用 self 的参数，即 type(self)(**self.get_params(deep=False))。

如果 self 上设置了配置，克隆也将具有与原始对象相同的配置，等同于调用 cloned_self.set_config(**self.get_config())。

值上也等同于调用 self.reset，区别在于 clone 返回一个新对象，而不是像 reset 那样改变 self。

抛出:

如果克隆不符合规范（由于 __init__ 存在问题），则抛出 RuntimeError。

clone_tags(estimator, tag_names=None)[source]#

从另一个对象克隆标签作为动态覆盖。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储对象的元数据或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会改变。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

clone_tags 方法应仅在对象的 __init__ 方法中调用，即在构造期间或通过 __init__ 直接构造之后。

动态标签被设置为 estimator 中标签的值，其名称由 tag_names 指定。

tag_names 的默认设置是将 estimator 中的所有标签写入 self。

当前的标签值可以通过 get_tags 或 get_tag 查看。

weightedbool，可选，默认=False

estimator:class:BaseObject 或派生类的一个实例
tag_namesstr 或 str 列表，默认 = None: 要克隆的标签名称。默认 (None) 克隆 estimator 中的所有标签。

返回:

self: 对 self 的引用。

classmethod create_test_instance(parameter_set='default')[source]#

使用第一个测试参数集构造类的一个实例。

weightedbool，可选，默认=False

parameter_setstr，默认=”default”: 要返回的测试参数集的名称，用于测试。如果未为值定义特殊参数，将返回 “default” 集。

返回:

instance具有默认参数的类实例

classmethod create_test_instances_and_names(parameter_set='default')[source]#

创建所有测试实例的列表及其名称列表。

weightedbool，可选，默认=False

parameter_setstr，默认=”default”: 要返回的测试参数集的名称，用于测试。如果未为值定义特殊参数，将返回 “default” 集。

返回:

objscls 实例列表: 第 i 个实例是 cls(**cls.get_test_params()[i])
namesstr 列表，与 objs 长度相同: 第 i 个元素是测试中 obj 的第 i 个实例的名称。如果实例多于一个，命名约定为 {cls.__name__}-{i}，否则为 {cls.__name__}

fit(X, Z=None)[source]#

根据要对齐的时间序列/序列进行拟合。

状态变更: 将状态更改为“已拟合”。
写入自身: 将 self._is_fitted 标志设置为 True。将 X 和 Z 分别存储到 self._X 和 self._Z。设置以“_”结尾的已拟合模型属性。

weightedbool，可选，默认=False

X长度为 n 的 pd.DataFrame（Series）列表: 要对齐的时间序列集合
Z具有 n 行的 pd.DataFrame，可选: 元数据，Z 的第 i 行对应于 X 的第 i 个元素

get_aligned()[source]#

返回传入 fit 方法的序列的对齐版本。

行为：返回传入 fit 方法的 X 中未对齐序列的对齐版本: 模型应处于已拟合状态，已拟合模型参数从 self 读取
所需状态: 要求状态为“已拟合”。
访问自身属性: 以“_”结尾的已拟合模型属性。self._is_fitted

返回:

X_aligned_list: sequence 格式的 pd.DataFrame 列表: 长度为 n，索引对应于传入 fit 方法的 X 的索引。第 i 个元素是 X[i] 的重新索引的对齐版本。

get_alignment()[source]#

返回传入 fit 方法的序列/时间序列的对齐（iloc 索引）。

行为：返回传入 fit 方法的 X 中序列的对齐: 模型应处于已拟合状态，已拟合模型参数从 self 读取
所需状态: 要求状态为“已拟合”。
访问自身属性: 以“_”结尾的已拟合模型属性。self._is_fitted

返回:

alignment 格式的 pd.DataFrame，列名为 ‘ind’+str(i)，其中 i 为整数: 列包含 X[i] 映射到对齐坐标的 iloc 索引

get_alignment_loc()[source]#

返回传入 fit 方法的序列/时间序列的对齐（loc 索引）。

行为：返回传入 fit 方法的 X 中序列的对齐: 模型应处于已拟合状态，已拟合模型参数从 self 读取
所需状态: 要求状态为“已拟合”。
访问自身属性: 以“_”结尾的已拟合模型属性。self._is_fitted

返回:

alignment 格式的 pd.DataFrame，列名为 ‘ind’+str(i)，其中 i 为整数: 列包含 X[i] 映射到对齐坐标的 loc 索引

classmethod get_class_tag(tag_name, tag_value_default=None)[source]#

从类中获取类标签值，并从父类继承标签层级。

每个 scikit-base 兼容对象都有一个标签字典，用于存储对象的元数据。

get_class_tag 方法是一个类方法，它仅考虑类级别的标签值和覆盖来检索标签的值。

它从对象中返回名称为 tag_name 的标签的值，考虑到标签覆盖，优先级从高到低如下：

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按照继承顺序。

不考虑实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖，这些覆盖定义在实例上。

要检索具有潜在实例覆盖的标签值，请使用 get_tag 方法代替。

weightedbool，可选，默认=False

tag_namestr: 标签值的名称。
tag_value_default任意类型: 如果未找到标签，则为默认/备用值。

返回:

tag_value: self 中 tag_name 标签的值。如果未找到，则返回 tag_value_default。

classmethod get_class_tags()[source]#

从类中获取类标签，并从父类继承标签层级。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储对象的元数据或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会改变。

get_class_tags 方法是一个类方法，它仅考虑类级别的标签值和覆盖来检索标签的值。

它返回一个字典，其键是类或其任何父类中设置的 _tags 属性的任何键。

值是对应的标签值，覆盖的优先级从高到低如下：

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按照继承顺序。

实例可以根据超参数覆盖这些标签。

要检索具有潜在实例覆盖的标签，请使用 get_tags 方法代替。

不考虑实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖，这些覆盖定义在实例上。

要包含动态标签的覆盖，请使用 get_tags。

collected_tagsdict: 标签名称 : 标签值对的字典。通过嵌套继承从 _tags 类属性收集。不会被通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[source]#

获取自身的配置标志。

配置是 self 的键值对，通常用作控制行为的瞬时标志。

get_config 返回动态配置，它们会覆盖默认配置。

默认配置在类或其父类的类属性 _config 中设置，并会被通过 set_config 设置的动态配置覆盖。

配置在 clone 或 reset 调用中保留。

返回:

config_dictdict: 配置名称 : 配置值对的字典。通过嵌套继承从 _config 类属性收集，然后从 _config_dynamic 对象属性获取任何覆盖和新标签。

get_distance()[source]#

返回对齐的总距离。

行为：返回对应于对齐的总距离: 并非所有对齐器都会返回或实现此功能（可选）
所需状态: 要求状态为“已拟合”。
访问自身属性: 以“_”结尾的已拟合模型属性。self._is_fitted

返回:

distance: float - 传入 fit 方法的 X 中所有元素之间的总距离

get_distance_matrix()[source]#

返回对齐的距离矩阵。

行为：返回对齐距离的成对距离矩阵: 并非所有对齐器都会返回或实现此功能（可选）
所需状态: 要求状态为“已拟合”。
访问自身属性: 以“_”结尾的已拟合模型属性。self._is_fitted

返回:

distmat: 一个 (n x n) 的 float 类型 np.array，其中 n 是传入 fit 方法的 X 的长度: [i,j] 条目是传入 fit 方法的 X[i] 和 X[j] 之间的对齐距离

get_fitted_params(deep=True)[source]#

获取已拟合参数。

所需状态: 要求状态为“已拟合”。

weightedbool，可选，默认=False

deepbool，默认=True

是否返回组件的已拟合参数。

如果为 True，将返回此对象的参数名称 : 值字典，包括可拟合组件（= BaseEstimator 类型参数）的已拟合参数。
如果为 False，将返回此对象的参数名称 : 值字典，但不包括组件的已拟合参数。

返回:

fitted_params带有 str 类型键的字典

已拟合参数字典，paramname : paramvalue 键值对包括

始终：此对象的所有已拟合参数，如同通过 get_param_names 获取一样。值是此对象对应键的已拟合参数值。
如果 deep=True，还包含组件参数的键/值对。组件参数索引为 [componentname]__[paramname]。componentname 的所有参数都显示为 paramname 及其值。
如果 deep=True，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等。

classmethod get_param_defaults()[source]#

获取对象的默认参数。

返回:

default_dict: dict[str, Any]: 键是 cls 的所有在 __init__ 中定义了默认值的参数。值是 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

weightedbool，可选，默认=False

sortbool，默认=True: 是否按字母顺序排序返回参数名称 (True)，或按它们在类 __init__ 中出现的顺序返回 (False)。

返回:

param_names: list[str]: cls 的参数名称列表。如果 sort=False，则按它们在类 __init__ 中出现的相同顺序排列。如果 sort=True，则按字母顺序排列。

get_params(deep=True)[source]#

获取此对象的参数值字典。

weightedbool，可选，默认=False

deepbool，默认=True

是否返回组件的参数。

如果为 True，将返回此对象的参数名称 : 值 dict，包括组件（= BaseObject 类型参数）的参数。
如果为 False，将返回此对象的参数名称 : 值 dict，但不包括组件的参数。

返回:

params带有 str 类型键的字典

参数字典，paramname : paramvalue 键值对包括

始终：此对象的所有参数，如同通过 get_param_names 获取一样。值是此对象对应键的参数值，值始终与构造时传入的值相同。
如果 deep=True，还包含组件参数的键/值对。组件参数索引为 [componentname]__[paramname]。componentname 的所有参数都显示为 paramname 及其值。
如果 deep=True，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等。

get_tag(tag_name, tag_value_default=None, raise_error=True)[source]#

从实例获取标签值，具有标签层级继承和覆盖。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储对象的元数据或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会改变。

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，考虑到标签覆盖，优先级从高到低如下：

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时。

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按照继承顺序。

weightedbool，可选，默认=False

tag_namestr: 要检索的标签名称
tag_value_default任意类型，可选；默认=None: 如果未找到标签，则为默认/备用值
raise_errorbool: 未找到标签时是否抛出 ValueError

返回:

tag_valueAny: self 中 tag_name 标签的值。如果未找到，并且 raise_error 为 True，则抛出错误，否则返回 tag_value_default。

抛出:

ValueError，如果 raise_error 为 True。: 如果 tag_name 不在 self.get_tags().keys() 中，则抛出 ValueError。

get_tags()[source]#

从实例获取标签，具有标签层级继承和覆盖。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储对象的元数据或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会改变。

get_tags 方法返回一个标签字典，其键是类或其任何父类中设置的 _tags 属性的任何键，或者通过 set_tags 或 clone_tags 设置的标签的键。

值是对应的标签值，覆盖的优先级从高到低如下：

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时。

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按照继承顺序。

返回:

collected_tagsdict: 标签名称 : 标签值对的字典。通过嵌套继承从 _tags 类属性收集，然后从 _tags_dynamic 对象属性获取任何覆盖和新标签。

is_composite()[source]#

检查对象是否由其他 BaseObjects 组成。

复合对象是包含其他对象作为参数的对象。在实例上调用，因为这可能因实例而异。

返回:

composite: bool: 对象是否有任何参数的值是 BaseObject 的派生实例。

property is_fitted[source]#

参考文献

检查对象的 _is_fitted` 属性，该属性在对象构造期间应初始化为 ``False，并在调用对象的 fit 方法时设置为 True。

返回:

bool: 估计器是否已被 fit。

classmethod load_from_path(serial)[source]#

从文件位置加载对象。

weightedbool，可选，默认=False

serialZipFile(path).open("object") 的结果

返回:

反序列化 self，结果输出到 path，即 cls.save(path) 的输出

classmethod load_from_serial(serial)[source]#

从序列化的内存容器加载对象。

weightedbool，可选，默认=False

serialcls.save(None) 输出的第一个元素

返回:

反序列化 self，结果输出为 serial，即 cls.save(None) 的输出

reset()[source]#

将对象重置到干净的初始化后状态。

将 self 设置为直接在构造函数调用后所处的状态，保留相同的超参数。通过 set_config 设置的配置值也会保留。

reset 调用会删除所有对象属性，除了

超参数 = __init__ 的参数，写入 self 中，例如 self.paramname，其中 paramname 是 __init__ 的参数
包含双下划线（即字符串 “__”）的对象属性。例如，名为 “__myattr” 的属性会被保留。
配置属性，配置会原样保留，不会改变。也就是说，在 reset 前后，get_config 的结果是相等的。

类方法和对象方法，以及类属性也不会受到影响。

等同于 clone，不同之处在于 reset 修改 self 而不是返回一个新对象。

在调用 self.reset() 后，self 在值和状态上与通过构造函数调用 ``type(self)(**self.get_params(deep=False))`` 获得的对象相等。

返回:

self: 将类的实例重置为干净的初始化后状态，但保留当前的超参数值。

save(path=None, serialization_format='pickle')[source]#

将序列化的自身保存到字节类对象或到 (.zip) 文件。

行为：如果 path 为 None，返回内存中的序列化 self；如果 path 是文件位置，则将 self 存储为该位置的 zip 文件

保存的文件是包含以下内容的 zip 文件：_metadata - 包含 self 的类，即 type(self)；_obj - 序列化 self。该类使用默认序列化（pickle）。

weightedbool，可选，默认=False

pathNone 或文件位置 (str 或 Path)

如果为 None，self 将保存到内存对象中；如果为文件位置，self 将保存到该文件位置。如果

path="estimator"，则会在当前工作目录 (cwd) 创建一个 zip 文件 estimator.zip。
path="/home/stored/estimator"，则会在

/home/stored/ 中存储一个 zip 文件 estimator.zip。

serialization_format: str，默认 = “pickle”

用于序列化的模块。可用选项有 “pickle” 和 “cloudpickle”。请注意，非默认格式可能需要安装其他软依赖。

返回:

如果 path 为 None - 内存中的序列化 self
如果 path 为文件位置 - 引用文件的 ZipFile

set_config(**config_dict)[source]#

将配置标志设置为给定值。

weightedbool，可选，默认=False

config_dictdict

config 名称 : config 值对的字典。有效的 config、值及其含义如下所示

displaystr，“diagram”（默认）或 “text”

jupyter 内核如何显示 self 的实例

“diagram” = html 框图表示
“text” = 字符串打印输出

print_changed_onlybool，默认=True

打印 self 时，是仅列出自与默认值不同的参数（True），还是列出所有参数名称和值（False）。不包含嵌套，即仅影响 self 而不影响组件估计器。

warningsstr，“on”（默认）或 “off”

是否触发警告，仅影响来自 sktime 的警告

“on” = 将触发来自 sktime 的警告
“off” = 将不触发来自 sktime 的警告

backend:parallelstr，可选，默认=”None”

在广播/向量化时用于并行化的后端，以下之一

“None”：顺序执行循环，简单的列表推导式
“loky”、“multiprocessing”和“threading”：使用 joblib.Parallel
“joblib”：自定义和第三方 joblib 后端，例如 spark
“dask”：使用 dask，需要在环境中安装 dask 包
“ray”：使用 ray，需要在环境中安装 ray 包

backend:parallel:paramsdict，可选，默认={}（未传递参数）

作为配置传递给并行化后端的附加参数。有效的键取决于 backend:parallel 的值

“None”：无附加参数，backend_params 被忽略
“loky”、“multiprocessing”和“threading”：默认 joblib 后端。此处可传递 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，其直接由 backend 控制。如果未传递 n_jobs，则默认为 -1，其他参数默认为 joblib 默认值。
“joblib”：自定义和第三方 joblib 后端，例如 spark。此处可传递 joblib.Parallel 的任何有效键，例如 n_jobs；在此情况下，必须将 backend 作为 backend_params 的一个键传递。如果未传递 n_jobs，则默认为 -1，其他参数默认为 joblib 默认值。
“dask”：可传递 dask.compute 的任何有效键，例如 scheduler
“ray”：可传递以下键
- “ray_remote_args”：ray.init 的有效键字典
- “shutdown_ray”：bool，默认=True；False 防止 ray 在并行化后关闭。
  shutting down after parallelization.
- “logger_name”：str，默认=”ray”；要使用的日志记录器名称。
- “mute_warnings”：bool，默认=False；如果为 True，则抑制警告

返回:

self对 self 的引用。

注意

改变对象状态，将 config_dict 中的配置复制到 self._config_dynamic。

set_params(**params)[source]#

设置此对象的参数。

此方法适用于简单的 skbase 对象以及复合对象。参数键字符串 <component>__<parameter> 可用于复合对象（即包含其他对象的对象），以访问组件 <component> 中的 <parameter>。如果这使得引用明确，也可以使用不带 <component>__ 的字符串 <parameter>，例如组件中没有两个参数具有相同的名称 <parameter>。

weightedbool，可选，默认=False

**paramsdict: BaseObject 参数，键必须是 <component>__<parameter> 字符串。如果 __ 后缀在 get_params 键中是唯一的，则可以作为完整字符串的别名。

返回:

self对 self 的引用（设置参数后）

set_random_state(random_state=None, deep=True, self_policy='copy')[source]#

为自身设置 random_state 伪随机种子参数。

通过 self.get_params 查找名为 random_state 的参数，并通过 set_params 将它们设置为从 random_state 派生的整数。这些整数通过 sample_dependent_seed 的链式哈希采样，保证种子随机生成器的伪随机独立性。

根据 self_policy 应用于 self 中的 random_state 参数，并且当且仅当 deep=True 时，也应用于剩余的组件对象。

注意：即使 self 没有 random_state 参数，或者没有任何组件具有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 对象，即使是那些没有 random_state 参数的对象。

weightedbool，可选，默认=False

random_stateint，RandomState 实例或 None，默认=None

伪随机数生成器，用于控制随机整数的生成。传递 int 可在多次函数调用中获得可重现的输出。

deepbool，默认=True

是否设置 skbase 对象值参数（即组件估计器）中的随机状态。

如果为 False，则仅设置 self 的 random_state 参数（如果存在）。
如果为 True，则也会设置组件对象中的 random_state 参数。

self_policystr，以下之一 {“copy”、“keep”、“new”}，默认=”copy”

“copy”：self.random_state 设置为输入的 random_state
“keep”：self.random_state 保持不变
“new”：self.random_state 设置为一个新的随机状态，

派生自输入的 random_state，通常与它不同

返回:

self对 self 的引用

set_tags(**tag_dict)[source]#

将实例级标签覆盖设置为给定值。

每个 scikit-base 兼容对象都有一个标签字典，用于存储对象的元数据。

标签是特定于实例 self 的键值对，它们是对象构造后不会改变的静态标志。它们可用于元数据检查或控制对象的行为。

set_tags 将动态标签覆盖设置为 tag_dict 中指定的值，其中键是标签名称，字典值是要设置的标签值。

set_tags 方法应仅在对象的 __init__ 方法中、构造期间或直接在通过 __init__ 构造后调用。

当前的标签值可以通过 get_tags 或 get_tag 查看。

weightedbool，可选，默认=False

**tag_dictdict: 标签名称 : 标签值对的字典。

返回:

Self: 对 self 的引用。