MultiplexClassifier (多路复用分类器)#

class MultiplexClassifier(classifiers: list, selected_classifier=None)[source]#

用于在不同模型之间进行选择的 MultiplexClassifier。

MultiplexClassifier 提供了一个框架，用于在不同的模型类别上执行模型选择过程。应与 GridSearchCV 结合使用以充分发挥其作用。它可用于单变量和多变量分类器、单输出和多输出分类器。

MultiplexClassifier 使用一个（命名）的分类器列表和一个 selected_classifier 超参数指定，该超参数是分类器名称之一。MultiplexClassifier 随后会精确地表现为名称为 selected_classifier 的分类器，而忽略其他分类器的功能。

与 GridSearchCV 结合使用时，MultiplexClassifier 提供了跨多个估计器进行调优的能力，即通过调优 selected_classifier 超参数来执行 AutoML。这种组合随后将通过调优算法选择传入的分类器之一。

参数:

classifierssktime 分类器列表，或

sktime 分类器的元组列表 (str, estimator) MultiplexClassifier 可以在这些分类器之间切换（“多路复用”）。这些是“蓝图”分类器，调用 fit 时状态不会改变。

selected_classifier: str 或 None，可选，默认值=None。

如果为 str，必须是分类器名称之一。: 如果未提供名称，则必须与自动生成的名称字符串一致。要检查自动生成的名称字符串，请调用 get_params。

如果为 None，则表现为列表中的第一个分类器被选中。选择 MultiplexClassifier 所表现的分类器。

属性:

classifier_sktime 分类器: 用于拟合和分类的所选分类器的克隆。
_classifiers(str, classifier) 元组列表: 转换为名称/估计器元组的分类器。

方法

`check_is_fitted`([method_name]) (检查是否已拟合)	检查估计器是否已拟合。
`clone (克隆)`()	获取具有相同超参数和配置的对象的克隆。
`clone_tags`(estimator[, tag_names]) (克隆标签)	从另一个对象克隆标签作为动态覆盖。
`create_test_instance`([parameter_set]) (创建测试实例)	构造类的实例，使用第一个测试参数集。
`create_test_instances_and_names`([parameter_set]) (创建测试实例和名称)	创建所有测试实例列表及其名称列表。
`fit`(X, y) (拟合)	将时间序列分类器拟合到训练数据。
`fit_predict`(X, y[, cv, change_state]) (拟合预测)	对 X 中的序列进行拟合并预测标签。
`fit_predict_proba`(X, y[, cv, change_state]) (拟合预测概率)	对 X 中的序列进行拟合并预测标签概率。
`get_class_tag`(tag_name[, tag_value_default]) (获取类标签)	从类获取类标签值，并继承父类的标签级别。
`get_class_tags (获取类标签)`()	从类获取类标签，并继承父类的标签级别。
`get_config (获取配置)`()	获取自身的配置标志。
`get_fitted_params`([deep]) (获取已拟合参数)	获取已拟合参数。
`get_param_defaults (获取参数默认值)`()	获取对象的参数默认值。
`get_param_names`([sort]) (获取参数名称)	获取对象的参数名称。
`get_params`([deep]) (获取参数)	获取估计器的参数。
`get_tag`(tag_name[, tag_value_default, ...]) (获取标签)	从实例获取标签值，并继承标签级别和覆盖。
`get_tags (获取标签)`()	从实例获取标签，并继承标签级别和覆盖。
`get_test_params`([parameter_set]) (获取测试参数)	返回估计器的测试参数设置。
`is_composite (是否为复合)`()	检查对象是否为复合对象。
`load_from_path`(serial) (从路径加载)	从文件位置加载对象。
`load_from_serial`(serial) (从序列化数据加载)	从序列化内存容器加载对象。
`predict`(X) (预测)	预测 X 中序列的标签。
`predict_proba`(X) (预测概率)	预测 X 中序列的标签概率。
`reset (重置)`()	将对象重置为干净的初始化后状态。
`save`([path, serialization_format]) (保存)	将序列化的自身保存到字节类对象或 (.zip) 文件。
`score`(X, y) (评分)	对 X 上的预测标签与真实标签进行评分。
`set_config`(**config_dict) (设置配置)	将配置标志设置为给定值。
`set_params`(**kwargs) (设置参数)	设置估计器的参数。
`set_random_state`([random_state, deep, ...]) (设置随机状态)	为自身设置 random_state 伪随机种子参数。
`set_tags`(**tag_dict) (设置标签)	将实例级别标签覆盖设置为给定值。

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 属性应在对象的 fit 方法调用中设置为 True。

如果未拟合，则抛出 NotFittedError。

参数:

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 (未拟合错误): 如果估计器尚未拟合。

clone()[source]#

获取具有相同超参数和配置的对象的克隆。

克隆是具有相同超参数和配置的不同对象，处于初始化后状态。此函数等同于返回 self 的 sklearn.clone。

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

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

在值上也等同于调用 self.reset，区别在于 clone 返回一个新对象，而 reset 会改变 self。

抛出:

如果克隆不符合规范，则抛出 RuntimeError，这是由于 __init__ 有误。

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。标签可用于存储有关对象的元数据，或控制对象的行为。

标签是实例 self 特有的键值对，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 方法只能在对象的 __init__ 方法中、构造期间或通过 __init__ 直接在构造后调用。

动态标签设置为 estimator 中指定在 tag_names 中的标签的值。

tag_names 的默认值将 estimator 中的所有标签写入 self。

可以通过 get_tags 或 get_tag 检查当前的标签值。

参数:

estimator:class:BaseObject 或派生类的实例
tag_namesstr 或 list of str，默认值 = None: 要克隆的标签名称。默认值 (None) 克隆 estimator 中的所有标签。

返回:

自身: 对 self 的引用。

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

构造类的实例，使用第一个测试参数集。

参数:

parameter_setstr，默认值="default": 要返回的测试参数集的名称，用于测试。如果某个值未定义特殊参数，则返回 “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]#

创建所有测试实例列表及其名称列表。

参数:

parameter_setstr，默认值="default": 要返回的测试参数集的名称，用于测试。如果某个值未定义特殊参数，则返回 “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 个元素是第 i 个 obj 实例在测试中的名称。如果实例多于一个，命名约定是 {cls.__name__}-{i}，否则是 {cls.__name__}

fit(X, y)[source]#

将时间序列分类器拟合到训练数据。

状态改变: 将状态改为“已拟合”。
写入自身: 将 self.is_fitted 设置为 True。设置以“_”结尾的已拟合模型属性。

参数:

Xsktime 兼容的时间序列面板数据容器，scitype 为 Panel

用于拟合估计器的时间序列。

可以是 Panel scitype 的任何 mtype，例如

pd-multiindex: pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一级为实例索引，第二级为时间索引
numpy3D: 3D np.array (任意维数，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

mtypes 列表请参见 datatypes.SCITYPE_REGISTER

规范请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详情请参见标签参考。

ysktime 兼容的表格数据容器，scitype 为 Table

1D 可迭代对象，形状为 [n_instances] 或 2D 可迭代对象，形状为 [n_instances, n_dimensions] 用于拟合的类别标签 0 索引对应 X 中的实例索引 1 索引（如果适用）对应 X 中的多输出向量索引支持的 sktime 类型：np.ndarray (1D, 2D), pd.Series, pd.DataFrame

返回:

self对自身的引用。

fit_predict(X, y, cv=None, change_state=True)[source]#

对 X 中的序列进行拟合并预测标签。

方便的方法，用于生成样本内预测和交叉验证的样本外预测。

写入自身，如果 change_state=True: 将 self.is_fitted 设置为 True。设置以“_”结尾的已拟合模型属性。

如果 change_state=False，则不更新状态。

参数:

Xsktime 兼容的时间序列面板数据容器，scitype 为 Panel

用于拟合和预测标签的时间序列。

可以是 Panel scitype 的任何 mtype，例如

pd-multiindex: pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一级为实例索引，第二级为时间索引
numpy3D: 3D np.array (任意维数，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

mtypes 列表请参见 datatypes.SCITYPE_REGISTER

规范请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详情请参见标签参考。

ysktime 兼容的表格数据容器，scitype 为 Table

1D 可迭代对象，形状为 [n_instances] 或 2D 可迭代对象，形状为 [n_instances, n_dimensions] 用于拟合的类别标签 0 索引对应 X 中的实例索引 1 索引（如果适用）对应 X 中的多输出向量索引支持的 sktime 类型：np.ndarray (1D, 2D), pd.Series, pd.DataFrame

cvNone、int 或 sklearn 交叉验证对象，可选，默认值=None

None：预测是样本内预测，等同于 fit(X, y).predict(X)
cv：预测等同于 fit(X_train, y_train).predict(X_test)，其中多个 X_train、y_train、X_test 从 cv 折叠中获得。返回的 y 是所有测试折叠预测的并集，cv 测试折叠必须不相交
int：等同于 cv=KFold(cv, shuffle=True, random_state=x)，即 k 折交叉验证样本外预测，并且 random_state x 取自 self（如果存在），否则 x=None

change_statebool，可选（默认值=True）

如果为 False，则不会改变分类器的状态，即拟合/预测序列是使用副本运行的，self 不会改变
如果为 True，则会将自身拟合到完整的 X 和 y，结束状态将等同于运行 fit(X, y)

返回:

y_predsktime 兼容的表格数据容器，scitype 为 Table scitype

预测的类别标签

1D 可迭代对象，形状为 [n_instances]，或 2D 可迭代对象，形状为 [n_instances, n_dimensions]。

0 索引对应 X 中的实例索引，1 索引（如果适用）对应 X 中的多输出向量索引。

如果 y 是单变量（一个维度），则为 1D np.npdarray；否则，类型与 fit 中传入的 y 相同

fit_predict_proba(X, y, cv=None, change_state=True)[source]#

对 X 中的序列进行拟合并预测标签概率。

方便的方法，用于生成样本内预测和交叉验证的样本外预测。

写入自身，如果 change_state=True: 将 self.is_fitted 设置为 True。设置以“_”结尾的已拟合模型属性。

如果 change_state=False，则不更新状态。

参数:

Xsktime 兼容的时间序列面板数据容器，scitype 为 Panel

用于拟合和预测标签的时间序列。

可以是 Panel scitype 的任何 mtype，例如

pd-multiindex: pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一级为实例索引，第二级为时间索引
numpy3D: 3D np.array (任意维数，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

mtypes 列表请参见 datatypes.SCITYPE_REGISTER

规范请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详情请参见标签参考。

ysktime 兼容的表格数据容器，scitype 为 Table

1D 可迭代对象，形状为 [n_instances] 或 2D 可迭代对象，形状为 [n_instances, n_dimensions] 用于拟合的类别标签 0 索引对应 X 中的实例索引 1 索引（如果适用）对应 X 中的多输出向量索引支持的 sktime 类型：np.ndarray (1D, 2D), pd.Series, pd.DataFrame

cvNone、int 或 sklearn 交叉验证对象，可选，默认值=None

None：预测是样本内预测，等同于 fit(X, y).predict(X)
cv：预测等同于 fit(X_train, y_train).predict(X_test)，其中多个 X_train、y_train、X_test 从 cv 折叠中获得。返回的 y 是所有测试折叠预测的并集，cv 测试折叠必须不相交
int：等同于 cv=KFold(cv, shuffle=True, random_state=x)，即 k 折交叉验证样本外预测，并且 random_state x 取自 self（如果存在），否则 x=None

change_statebool，可选（默认值=True）

如果为 False，则不会改变分类器的状态，即拟合/预测序列是使用副本运行的，self 不会改变
如果为 True，则会将自身拟合到完整的 X 和 y，结束状态将等同于运行 fit(X, y)

返回:

y_pred2D np.array of int，形状为 [n_instances, n_classes]: 预测的类别标签概率 0 索引对应 X 中的实例索引 1 索引对应类别索引，顺序与 self.classes_ 中的顺序相同条目是预测的类别概率，总和为 1

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

从类获取类标签值，并继承父类的标签级别。

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

get_class_tag 方法是一个类方法，它仅考虑类级别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，并考虑标签覆盖，优先级按降序排列：

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，

按继承顺序排列。

不考虑通过 set_tags 或 clone_tags 在实例上设置的动态标签覆盖。

要检索包含潜在实例覆盖的标签值，请改用 get_tag 方法。

参数:

tag_namestr: 标签值的名称。
tag_value_default任意类型: 未找到标签时的默认/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]#

从类获取类标签，并继承父类的标签级别。

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

标签是实例 self 特有的键值对，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，它仅考虑类级别标签值和覆盖来检索标签的值。

它返回一个字典，键是类或其任何父类中设置的任何 _tags 属性的键。

值是相应的标签值，覆盖的优先级按降序排列：

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，

按继承顺序排列。

实例可以根据超参数覆盖这些标签。

要检索包含潜在实例覆盖的标签，请改用 get_tags 方法。

不考虑通过 set_tags 或 clone_tags 在实例上设置的动态标签覆盖。

要包含动态标签的覆盖，请使用 get_tags。

collected_tagsdict: 标签名称：标签值对字典。通过嵌套继承从 _tags 类属性收集。不被 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，并被通过 set_config 设置的动态配置覆盖。

配置在 clone 或 reset 调用下保留。

返回:

config_dictdict: 配置名称：配置值对字典。通过嵌套继承从 _config 类属性收集，然后是 _onfig_dynamic 对象属性中的任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

获取已拟合参数。

所需状态: 需要状态为“已拟合”。

参数:

deepbool，默认值=True

是否返回组件的已拟合参数。

如果为 True，则返回此对象的参数名称：值字典，包括可拟合组件（= BaseEstimator 值参数）的已拟合参数。
如果为 False，则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键为 str 的字典

已拟合参数字典，参数名称：参数值键值对包括

总是：此对象的所有已拟合参数，通过 get_param_names 获取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/值对组件参数的索引格式为 [componentname]__[paramname] componentname 的所有参数显示为 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]#

获取对象的参数默认值。

返回:

default_dict: dict[str, Any]: 键是 cls 中在 __init__ 中定义了默认值的所有参数。值是默认值，与 __init__ 中定义的一致。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:

sortbool，默认值=True: 是否按字母顺序排序返回参数名称 (True)，或者按它们在类的 __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，顺序与它们在类的 __init__ 中出现的顺序相同。如果 sort=True，按字母顺序排序。

get_params(deep=True)[source]#

获取估计器的参数。

参数:

deep布尔值，可选: 如果为 True，则返回此估计器及其包含的子估计器的参数。

返回:

paramsstring 到任意类型的映射: 参数名称映射到其值。

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

从实例获取标签值，并继承标签级别和覆盖。

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

标签是实例 self 特有的键值对，它们是静态标志，在对象构造后不会改变。

get_tag 方法从实例检索名称为 tag_name 的单个标签的值，并考虑标签覆盖，优先级按降序排列：

通过实例上的 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，

按继承顺序排列。

参数:

tag_namestr: 要检索的标签名称
tag_value_default任意类型，可选；默认值=None: 未找到标签时的默认/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，如果 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，并继承标签级别和覆盖。

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

标签是实例 self 特有的键值对，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，键是类或其任何父类中设置的任何 _tags 属性的键，或者通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，覆盖的优先级按降序排列：

通过实例上的 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，

按继承顺序排列。

返回:

collected_tagsdict: 标签名称：标签值对字典。通过嵌套继承从 _tags 类属性收集，然后是 _tags_dynamic 对象属性中的任何覆盖和新标签。

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

返回估计器的测试参数设置。

参数:

parameter_setstr，默认值="default": 要返回的测试参数集的名称，用于测试。如果某个值未定义特殊参数，则返回 "default" 集。

返回:

paramsdict 或 list of dict

is_composite()[source]#

检查对象是否为复合对象。

复合对象是指其参数包含其他对象的对象。在实例上调用，因为这可能因实例而异。

返回:

composite: bool，自身是否包含一个参数是 BaseObject

property is_fitted[source]#

是否已调用 fit。

检查对象的 _is_fitted` 属性，该属性应在对象构造期间初始化为 ``False，并在对象的 fit 方法调用中设置为 True。

返回:

bool: 估计器是否已 fit。

classmethod load_from_path(serial)[source]#

从文件位置加载对象。

参数:

serialZipFile(path).open("object) 的结果

返回:

反序列化的自身，结果输出在 path，来自 cls.save(path)

classmethod load_from_serial(serial)[source]#

从序列化内存容器加载对象。

参数:

serialcls.save(None) 输出的第一个元素

返回:

反序列化的自身，结果输出为 serial，来自 cls.save(None)

predict(X)[source]#

预测 X 中序列的标签。

参数:

Xsktime 兼容的时间序列面板数据容器，scitype 为 Panel

用于预测标签的时间序列。

可以是 Panel scitype 的任何 mtype，例如

pd-multiindex: pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一级为实例索引，第二级为时间索引
numpy3D: 3D np.array (任意维数，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

mtypes 列表请参见 datatypes.SCITYPE_REGISTER

规范请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详情请参见标签参考。

返回:

y_predsktime 兼容的表格数据容器，scitype 为 Table scitype

预测的类别标签

1D 可迭代对象，形状为 [n_instances]，或 2D 可迭代对象，形状为 [n_instances, n_dimensions]。

0 索引对应 X 中的实例索引，1 索引（如果适用）对应 X 中的多输出向量索引。

如果 y 是单变量（一个维度），则为 1D np.npdarray；否则，类型与 fit 中传入的 y 相同

predict_proba(X)[source]#

预测 X 中序列的标签概率。

参数:

Xsktime 兼容的时间序列面板数据容器，scitype 为 Panel

用于预测标签的时间序列。

可以是 Panel scitype 的任何 mtype，例如

pd-multiindex: pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一级为实例索引，第二级为时间索引
numpy3D: 3D np.array (任意维数，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

mtypes 列表请参见 datatypes.SCITYPE_REGISTER

规范请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详情请参见标签参考。

返回:

y_pred2D np.array of int，形状为 [n_instances, n_classes]: 预测的类别标签概率 0 索引对应 X 中的实例索引 1 索引对应类别索引，顺序与 self.classes_ 中的顺序相同条目是预测的类别概率，总和为 1

reset()[source]#

将对象重置为干净的初始化后状态。

结果是将 self 设置为其在构造函数调用后立即处于的状态，具有相同的超参数。set_config 设置的配置值也会保留。

一个 reset 调用会删除任何对象属性，除了

超参数 = __init__ 的参数，写入 self，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。也就是说，reset 前后 get_config 的结果是相同的。

类方法、对象方法和类属性也不受影响。

等同于 clone，区别在于 reset 会改变 self 而不是返回一个新对象。

在调用 self.reset() 后，self 的值和状态等同于构造函数调用 type(self)(**self.get_params(deep=False)) 后获得的对象。

返回:

自身: 类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 (.zip) 文件。

行为：如果 path 为 None，则返回内存中的序列化自身；如果 path 是文件位置，则将自身作为 zip 文件存储在该位置

保存的文件是 zip 文件，包含以下内容：_metadata - 包含自身的类，即 type(self) _obj - 序列化的自身。此类使用默认的序列化方式 (pickle)。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，则将自身保存到内存对象中如果是文件位置，则将自身保存到该文件位置。如果

path="estimator"，则会在当前工作目录下创建 zip 文件 estimator.zip。
path="/home/stored/estimator"，则会在 /home/stored/

存储 zip 文件 estimator.zip。

serialization_format: str，默认值 = “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项。

返回:

如果 path 为 None - 内存中的序列化自身
如果 path 是文件位置 - 包含文件引用的 ZipFile

score(X, y) → float[source]#

对 X 上的预测标签与真实标签进行评分。

参数:

Xsktime 兼容的时间序列面板数据容器，scitype 为 Panel

用于对预测标签进行评分的时间序列。

可以是 Panel scitype 的任何 mtype，例如

pd-multiindex: pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一级为实例索引，第二级为时间索引
numpy3D: 3D np.array (任意维数，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

mtypes 列表请参见 datatypes.SCITYPE_REGISTER

规范请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详情请参见标签参考。

ysktime 兼容的表格数据容器，scitype 为 Table

1D 可迭代对象，形状为 [n_instances] 或 2D 可迭代对象，形状为 [n_instances, n_dimensions] 用于拟合的类别标签 0 索引对应 X 中的实例索引 1 索引（如果适用）对应 X 中的多输出向量索引支持的 sktime 类型：np.ndarray (1D, 2D), pd.Series, pd.DataFrame

返回:

float，predict(X) 与 y 相比的准确率分数

set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数:

config_dictdict

配置名称：配置值对字典。下面列出了有效的配置、值及其含义

displaystr，“diagram”（默认值），或“text”

jupyter 内核如何显示自身的实例

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

print_changed_onlybool，默认值=True

打印自身时是否只列出与默认值不同的参数 (False)，或者列出所有参数名称和值 (False)。不进行嵌套，即只影响自身，不影响组件估计器。

warningsstr，“on”（默认值），或“off”

是否发出警告，仅影响来自 sktime 的警告

“on” = 将发出来自 sktime 的警告
“off” = 将不发出来自 sktime 的警告

backend:parallelstr，可选，默认值=“None”

广播/向量化时用于并行化的后端，以下之一

“None”：按顺序执行循环，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，需要环境中安装 dask 包
“ray”：使用 ray，需要环境中安装 ray 包

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

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

“None”：没有附加参数，忽略 backend_params
“loky”、“multiprocessing”和“threading”：默认的 joblib 后端。这里可以传入任何有效的 joblib.Parallel 键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果未传入 n_jobs，则默认为 -1，其他参数将默认为 joblib 的默认值。
“joblib”：自定义和第三方 joblib 后端，例如 spark。这里可以传入任何有效的 joblib.Parallel 键，例如 n_jobs。在这种情况下，必须将 backend 作为 backend_params 的一个键传入。如果未传入 n_jobs，则默认为 -1，其他参数将默认为 joblib 的默认值。
“dask”：可以传入任何有效的 dask.compute 键，例如 scheduler
“ray”：可以传入以下键
- “ray_remote_args”：ray.init 的有效键的字典
- “shutdown_ray”：bool类型，默认为True；False可防止 ray 在并行化后
  关闭。
- “logger_name”：str类型，默认为”ray”；要使用的日志记录器名称。
- “mute_warnings”：bool类型，默认为False；如果为True，则抑制警告

返回:

self对自身的引用。

注意

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

set_params(**kwargs)[source]#

设置估计器的参数。

可以使用 get_params() 列出有效的参数键。

返回:

self返回自身的一个实例。

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 从链式哈希采样，并保证种子随机生成器之间伪随机独立性。

取决于 self_policy，应用于 self 中的 random_state 参数，并且当且仅当 deep=True 时，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，即使是没有 random_state 参数的对象。

参数:

random_stateint, RandomState实例或None, 默认为None

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

deepbool，默认值=True

是否在scikit-base对象值参数中设置随机状态，即组件估计器中。

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, 选项之一: {"copy", "keep", "new"}, 默认为"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,

从输入的 random_state 派生，通常与它不同

返回:

self对自身的引用

set_tags(**tag_dict)[source]#

将实例级别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，用于存储有关对象的元数据。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构建后不会更改。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、构建期间或通过 __init__ 直接调用后调用。

可以通过 get_tags 或 get_tag 检查当前的标签值。

参数:

**tag_dictdict: 标签名称: 标签值对的字典。

返回:

Self: 对自身的引用。