CNTCClassifier

class CNTCClassifier(n_epochs=2000, batch_size=16, filter_sizes=(16, 8), kernel_sizes=(1, 1), rnn_size=64, lstm_size=8, dense_size=64, callbacks=None, verbose=False, loss='categorical_crossentropy', metrics=None, random_state=0)

上下文时间序列神经网络分类器（CNTC），如文献 [1] 所述。

改编自 Fullah 等人的实现 AmaduFullah/CNTC_MODEL

参数:

n_epochsint, default = 2000

模型训练的轮次数

batch_sizeint, default = 16

每个梯度更新的样本数。

filter_sizes形状为 (2) 的元组，default = (16, 8)

CCNN 分支中 CNN 的过滤器大小。

kernel_sizes二元组，default = (1, 1)

CCNN 分支中 CNN 的一维卷积窗口长度。

rnn_sizeint, default = 64

CCNN 分支中 RNN 单元的数量。

lstm_sizeint, default = 8

CLSTM 分支中 LSTM 单元的数量。

dense_sizeint, default = 64

CNTC 中全连接层的维度。

random_stateint 或 None, default=None

随机数生成的种子。

verboseboolean, default = False

是否输出额外信息

lossstring, default=”categorical_crossentropy”

Keras 模型的拟合参数

optimizerkeras.optimizer, default=keras.optimizers.Adam(),

metricslist of strings, default=[“accuracy”],

属性:

is_fitted

是否已调用 fit 方法。

参考文献

[1]

网络最初定义于

@article{FULLAHKAMARA202057, title = {Combining contextual neural networks for time series classification}, journal = {Neurocomputing}, volume = {384}, pages = {57-66}, year = {2020}, issn = {0925-2312}, doi = {https://doi.org/10.1016/j.neucom.2019.10.113}, url = {https://www.sciencedirect.com/science/article/pii/S0925231219316364}, author = {Amadu {Fullah Kamara} and Enhong Chen and Qi Liu and Zhen Pan}, keywords = {Time series classification, Contextual convolutional neural

networks, Contextual long short-term memory, Attention, Multilayer perceptron},

}

示例

>>> from sktime.classification.deep_learning.cntc import CNTCClassifier
>>> from sktime.datasets import load_unit_test
>>> X_train, y_train = load_unit_test(split="train", return_X_y=True)
>>> X_test, y_test = load_unit_test(split="test", return_X_y=True)
>>> cntc = CNTCClassifier() 
>>> cntc.fit(X_train, y_train) 
CNTCClassifier(...) 

方法

build_model(input_shape, n_classes, **kwargs)	构建一个已编译、未训练的 Keras 模型，可用于训练。
check_is_fitted([method_name])	检查评估器是否已拟合。
clone()	获取对象的克隆，具有相同的超参数和配置。
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实例。
create_test_instances_and_names([parameter_set])	创建所有测试实例及其名称的列表。
fit(X, y)	使用训练数据拟合时间序列分类器。
fit_predict(X, y[, cv, change_state])	拟合并预测 X 中序列的标签。
fit_predict_proba(X, y[, cv, change_state])	拟合并预测 X 中序列的标签概率。
get_class_tag(tag_name[, tag_value_default])	从类中获取类标签值，具有从父类继承的标签级别。
get_class_tags()	从类中获取类标签，具有从父类继承的标签级别。
get_config()	获取自身的配置标志。
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，具有标签级别继承和覆盖。
get_tags()	从实例获取标签，具有标签级别继承和覆盖。
get_test_params([parameter_set])	返回评估器的测试参数设置。
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)	从序列化内存容器加载对象。
predict(X)	预测 X 中序列的标签。
predict_proba(X)	预测 X 中序列的标签概率。
prepare_input(X)	为模型的 CLSTM 分支准备输入。
reset()	将对象重置为初始化后的干净状态。
save([path, serialization_format])	将序列化后的自身保存到字节状对象或 (.zip) 文件。
score(X, y)	在 X 上根据真实标签对预测标签进行评分。
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。
summary()	返回模型拟合的损失/指标的摘要函数。

build_model(input_shape, n_classes, **kwargs)

构建一个已编译、未训练的 Keras 模型，可用于训练。

在 sktime 中，时间序列存储在形状为 (d,m) 的 numpy 数组中，其中 d 是维度数量，m 是序列长度。

参数:

input_shapetuple

输入层接收的数据形状，应为 (d,m)

n_classes: int

类别数量，即输出层的大小

返回值:

output一个已编译的 Keras Model

prepare_input(X)

为模型的 CLSTM 分支准备输入。

根据论文

“

时间序列数据同时输入到 CLSTM 和 CCNN 网络并被区别对待。在 CLSTM 块中，输入数据被视为具有单个时间戳的多元时间序列。相比之下，CCNN 块接收具有多个时间戳的单变量数据

“

返回值:

trainX: tuple,

馈送到 CNTC 两个分支的输入。

check_is_fitted(method_name=None)

检查评估器是否已拟合。

检查评估器是否已拟合。应在调用对象的 fit 方法时将 _is_fitted 属性设置为 True。

如果未拟合，则抛出 NotFittedError 异常。

参数:

method_namestr, optional

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。

抛出异常:

NotFittedError

如果评估器尚未拟合。

clone()

获取对象的克隆，具有相同的超参数和配置。

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

等同于构造 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，克隆也会有与原始对象相同的配置，等同于调用 cloned_self.set_config(**self.get_config())。

其值也等同于调用 self.reset，但不同之处在于 clone 返回一个新对象，而不是像 reset 那样修改 self。

抛出异常:

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

clone_tags(estimator, tag_names=None)

从另一个对象克隆标签作为动态覆盖。

每个与 scikit-base 兼容的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，它们是对象构造后不更改的静态标志。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

应仅在对象的 __init__ 方法中，在构造期间或通过 __init__ 直接在构造后调用 clone_tags 方法。

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

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

当前的标签值可以通过 get_tags 或 get_tag 检查。

参数:

estimator:class:BaseObject 或派生类的实例

tag_namesstr 或 list of str，default = None

要克隆的标签名称。默认值 (None) 克隆 estimator 的所有标签。

返回值:

self

对 self 的引用。

classmethod create_test_instance(parameter_set='default')

使用第一个测试参数集构造类的实例。

参数:

parameter_setstr, default=”default”

要返回的测试参数集的名称，用于测试。如果未为某个值定义特殊参数，则将返回 “default” 集。

返回值:

instance具有默认参数的类实例

classmethod create_test_instances_and_names(parameter_set='default')

创建所有测试实例及其名称的列表。

参数:

parameter_setstr, default=”default”

要返回的测试参数集的名称，用于测试。如果未为某个值定义特殊参数，则将返回 “default” 集。

返回值:

objscls 实例列表

第 i 个实例是 cls(**cls.get_test_params()[i])

nameslist of str，与 objs 长度相同

第 i 个元素是测试中 obj 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, y)

使用训练数据拟合时间序列分类器。

状态变更

将状态更改为“fitted”。

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:

XPanel scitype 的 sktime 兼容时间序列面板数据容器

用于拟合评估器的时间序列。

可以是 Panel scitype 的任何 mtype，例如

• pd-multiindex: 列为变量，索引为 pd.MultiIndex 的 pd.DataFrame，其中第一级为实例索引，第二级为时间索引

• numpy3D: 形状为 [n_instances, n_dimensions, series_length] 的 3D np.array（任意维数，等长序列）

• 或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有评估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。

yTable scitype 的 sktime 兼容表格数据容器

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

返回值:

self对自身的引用。

fit_predict(X, y, cv=None, change_state=True)

拟合并预测 X 中序列的标签。

用于生成样本内预测和交叉验证的样本外预测的便利方法。

如果 change_state=True，则写入自身

将 self.is_fitted 设置为 True。设置以“_”结尾的已拟合模型属性。

如果 change_state=False，则不更新状态。

参数:

XPanel scitype 的 sktime 兼容时间序列面板数据容器

用于拟合并预测标签的时间序列。

可以是 Panel scitype 的任何 mtype，例如

• pd-multiindex: 列为变量，索引为 pd.MultiIndex 的 pd.DataFrame，其中第一级为实例索引，第二级为时间索引

• numpy3D: 形状为 [n_instances, n_dimensions, series_length] 的 3D np.array（任意维数，等长序列）

• 或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有评估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。

yTable scitype 的 sktime 兼容表格数据容器

用于拟合的类别标签，形状为 [n_instances] 的 1D 可迭代对象，或形状为 [n_instances, n_dimensions] 的 2D 可迭代对象 0 级索引对应于 X 中的实例索引 1 级索引（如果适用）对应于 X 中多输出向量的索引 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，default=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 测试折叠必须是非交叉的

• int : 等同于 cv=KFold(cv, shuffle=True, random_state=x)，即 k 折交叉验证的样本外预测，其中 random_state x 如果存在则取自 self，否则 x=None

change_statebool, 可选 (default=True)

• 如果为 False，将不会改变分类器的状态，即拟合/预测序列使用副本运行，self 不改变

• 如果为 True，将对完整的 X 和 y 拟合 self，结束状态将等同于运行 fit(X, y)

返回值:

y_predTable scitype 的 sktime 兼容表格数据容器

预测的类别标签

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

0 级索引对应于 X 中的实例索引，1 级索引（如果适用）对应于 X 中多输出向量的索引。

如果 y 是单变量（一维），则是 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)

拟合并预测 X 中序列的标签概率。

用于生成样本内预测和交叉验证的样本外预测的便利方法。

如果 change_state=True，则写入自身

将 self.is_fitted 设置为 True。设置以“_”结尾的已拟合模型属性。

如果 change_state=False，则不更新状态。

参数:

XPanel scitype 的 sktime 兼容时间序列面板数据容器

用于拟合并预测标签的时间序列。

可以是 Panel scitype 的任何 mtype，例如

• pd-multiindex: 列为变量，索引为 pd.MultiIndex 的 pd.DataFrame，其中第一级为实例索引，第二级为时间索引

• numpy3D: 形状为 [n_instances, n_dimensions, series_length] 的 3D np.array（任意维数，等长序列）

• 或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有评估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。

yTable scitype 的 sktime 兼容表格数据容器

用于拟合的类别标签，形状为 [n_instances] 的 1D 可迭代对象，或形状为 [n_instances, n_dimensions] 的 2D 可迭代对象 0 级索引对应于 X 中的实例索引 1 级索引（如果适用）对应于 X 中多输出向量的索引 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，default=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 测试折叠必须是非交叉的

• int : 等同于 cv=KFold(cv, shuffle=True, random_state=x)，即 k 折交叉验证的样本外预测，其中 random_state x 如果存在则取自 self，否则 x=None

change_statebool, 可选 (default=True)

• 如果为 False，将不会改变分类器的状态，即拟合/预测序列使用副本运行，self 不改变

• 如果为 True，将对完整的 X 和 y 拟合 self，结束状态将等同于运行 fit(X, y)

返回值:

y_pred形状为 [n_instances, n_classes] 的 2D np.array

预测的类别标签概率 0 级索引对应于 X 中的实例索引 1 级索引对应于类别索引，顺序与 self.classes_ 中的顺序相同 条目是预测类别概率，总和为 1

classmethod get_class_tag(tag_name, tag_value_default=None)

从类中获取类标签值，具有从父类继承的标签级别。

每个与 scikit-base 兼容的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，它仅考虑类级标签值和覆盖来检索标签的值。

它返回对象中名称为 tag_name 的标签值，考虑标签覆盖，优先级按降序排列如下

1. 类 _tags 属性中设置的标签。

2. 父类 _tags 属性中设置的标签，

按继承顺序。

不考虑实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖。

要检索可能带有实例覆盖的标签值，请使用 get_tag 方法。

参数:

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。

返回值:

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()

从类中获取类标签，具有从父类继承的标签级别。

每个与 scikit-base 兼容的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，它们是对象构造后不更改的静态标志。

get_class_tags 方法是一个类方法，它仅考虑类级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 _tags 任何属性的键。

值是相应的标签值，覆盖按以下降序排列

1. 类 _tags 属性中设置的标签。

2. 父类 _tags 属性中设置的标签，

按继承顺序。

实例可以根据超参数覆盖这些标签。

要检索可能带有实例覆盖的标签，请使用 get_tags 方法。

不考虑实例上通过 set_tags 或 clone_tags 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: 标签值对的字典。通过嵌套继承从 _tags 类属性收集。不会被 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()

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，这些配置会覆盖默认配置。

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 调用下被保留。

返回值:

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 对象属性收集任何覆盖和新标签。

get_fitted_params(deep=True)

获取已拟合参数。

所需状态

要求状态为“fitted”。

参数:

deepbool, default=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 : 值字典，包括可拟合组件（= BaseEstimator 值参数）的已拟合参数。

• 如果为 False，将返回此对象的参数名 : 值字典，但不包含组件的已拟合参数。

返回值:

fitted_params带有 str 值键的字典

已拟合参数字典，参数名 : 参数值 的键值对包括

• 始终：此对象的所有已拟合参数，通过 get_param_names 获取。值是此对象该键的已拟合参数值

• 如果 deep=True，还包含组件参数的键/值对。组件的参数按 [componentname]__[paramname] 索引。 componentname 的所有参数都以 paramname 及其值的形式出现

• 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()

获取对象的参数默认值。

返回值:

default_dict: dict[str, Any]

键是 cls 中在 __init__ 中定义了默认值的所有参数。值是这些参数的默认值，如在 __init__ 中定义的那样。

classmethod get_param_names(sort=True)

获取对象的参数名称。

参数:

sortbool, default=True

是否按字母顺序返回参数名称 (True)，还是按它们出现在类 __init__ 中的顺序返回 (False)。

返回值:

param_names: list[str]

cls 的参数名称列表。如果 sort=False，则按它们出现在类 __init__ 中的顺序排列。如果 sort=True，则按字母顺序排列。

get_params(deep=True)

获取此对象的参数值字典。

参数:

deepbool, default=True

是否返回组件的参数。

• 如果为 True，将返回此对象的参数名: 值字典，包括组件的参数（= BaseObject 类型参数）。

• 如果为 False，将返回此对象的参数名: 值字典，但不包括组件的参数。

返回值:

paramsdict, 键为 str 类型

参数字典，paramname : paramvalue 键值对包括

• 始终包含：此对象的所有参数，如通过 get_param_names 获取的参数。值为此对象该键对应的参数值。值始终与构造时传递的值相同。

• 如果 deep=True，还包含组件参数的键/值对。组件的参数按 [componentname]__[paramname] 索引。 componentname 的所有参数都以 paramname 及其值的形式出现

• 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)

从实例获取标签值，具有标签级别继承和覆盖。

每个与 scikit-base 兼容的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，它们是对象构造后不更改的静态标志。

get_tag 方法从实例中检索名为 tag_name 的单个标签的值，考虑标签的覆盖，优先级按降序排列如下：

1. 在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时设置的标签。

2. 类 _tags 属性中设置的标签。

3. 父类 _tags 属性中设置的标签，

按继承顺序。

参数:

tag_namestr

要检索的标签名称

tag_value_default任意类型, 可选; default=None

如果未找到标签，则使用的默认/备用值

raise_errorbool

未找到标签时是否引发 ValueError

返回值:

tag_valueAny

self 中 tag_name 标签的值。如果未找到，则在 raise_error 为 True 时引发错误，否则返回 tag_value_default。

抛出异常:

ValueError, 如果 raise_error 为 True。

当 tag_name 不在 self.get_tags().keys() 中时，会引发 ValueError。

get_tags()

从实例获取标签，具有标签级别继承和覆盖。

每个与 scikit-base 兼容的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，它们是对象构造后不更改的静态标志。

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

值是相应的标签值，覆盖按以下降序排列

1. 在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时设置的标签。

2. 类 _tags 属性中设置的标签。

3. 父类 _tags 属性中设置的标签，

按继承顺序。

返回值:

collected_tagsdict

标签名 : 标签值对的字典。从通过嵌套继承的 _tags 类属性中收集，然后从 _tags_dynamic 对象属性中收集任何覆盖和新标签。

classmethod get_test_params(parameter_set='default')

返回评估器的测试参数设置。

参数:

parameter_setstr, default=”default”

要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，将返回 "default" 集。对于分类器，应提供一组“默认”参数用于通用测试，以及一组“结果比较”参数，用于在通用集未产生合适的概率进行比较时，与先前记录的结果进行比较。

返回值:

paramsdict 或 dict 列表, default={}

用于创建类测试实例的参数。每个字典都是构造“有趣”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。

is_composite()

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。

返回值:

composite: bool

对象是否具有值是 BaseObject 后代实例的参数。

property is_fitted

是否已调用 fit 方法。

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。

返回值:

bool

估计器是否已经过 fit。

classmethod load_from_path(serial)

从文件位置加载对象。

参数:

serialzip 文件名。

返回值:

反序列化的 self，产生在 path 处的输出，即 cls.save(path) 的输出

classmethod load_from_serial(serial)

从序列化内存容器加载对象。

参数:

serial: ``cls.save(None)`` 输出的第一个元素

这是一个大小为 3 的元组。第一个元素表示 pickle 序列化的实例。第二个元素表示 h5py 序列化的 keras 模型。第三个元素表示 pickle 序列化的 .fit() 历史。

返回值:

反序列化的 self，产生输出 serial，即 cls.save(None) 的输出

predict(X)

预测 X 中序列的标签。

参数:

XPanel scitype 的 sktime 兼容时间序列面板数据容器

要预测标签的时间序列。

可以是 Panel scitype 的任何 mtype，例如

• pd-multiindex: 列为变量，索引为 pd.MultiIndex 的 pd.DataFrame，其中第一级为实例索引，第二级为时间索引

• numpy3D: 形状为 [n_instances, n_dimensions, series_length] 的 3D np.array（任意维数，等长序列）

• 或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有评估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。

返回值:

y_predTable scitype 的 sktime 兼容表格数据容器

预测的类别标签

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

0 级索引对应于 X 中的实例索引，1 级索引（如果适用）对应于 X 中多输出向量的索引。

如果 y 是单变量（一维），则是 1D np.npdarray；否则，类型与 fit 中传入的 y 相同

predict_proba(X)

预测 X 中序列的标签概率。

参数:

XPanel scitype 的 sktime 兼容时间序列面板数据容器

要预测标签的时间序列。

可以是 Panel scitype 的任何 mtype，例如

• pd-multiindex: 列为变量，索引为 pd.MultiIndex 的 pd.DataFrame，其中第一级为实例索引，第二级为时间索引

• numpy3D: 形状为 [n_instances, n_dimensions, series_length] 的 3D np.array（任意维数，等长序列）

• 或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有评估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。

返回值:

y_pred形状为 [n_instances, n_classes] 的 2D np.array

预测的类别标签概率，0-th 索引对应于 X 中的实例索引，1-st 索引对应于类别索引，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()

将对象重置为初始化后的干净状态。

将 self 设置为构造函数调用后直接达到的状态，具有相同的超参数。通过 set_config 设置的配置值也会保留。

reset 调用会删除任何对象属性，除了

• 超参数 = 写入 self 的 __init__ 参数，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”的属性会保留。

• 配置属性，配置会保留不变。也就是说，reset 前后 get_config 的结果是相等的。

类和对象方法以及类属性也不受影响。

等同于 clone，不同之处在于 reset 会修改 self，而不是返回新对象。

调用 self.reset() 后，self 的值和状态与构造函数调用 ``type(self)(**self.get_params(deep=False))`` 后获得的对象相同。

返回值:

self

实例已重置为干净的初始化后状态，但保留当前超参数值。

save(path=None, serialization_format='pickle')

将序列化后的自身保存到字节状对象或 (.zip) 文件。

行为：如果 path 为 None，则返回一个内存中序列化的 self；如果 path 是文件，则在该位置存储一个同名 zip 文件。zip 文件的内容包括：_metadata - 包含 self 的类，即 type(self)。_obj - 序列化的 self。此类使用默认序列化（pickle）。keras/ - 模型、优化器和状态存储在此目录中。history - 序列化的 history 对象。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，则 self 保存到内存中的对象

如果为文件位置，则 self 保存到该文件位置。例如，path=”estimator” 将在当前工作目录创建一个 zip 文件 estimator.zip。path=”/home/stored/estimator” 将在 /home/stored/ 中存储一个 zip 文件 estimator.zip。

serialization_formatstr, default = “pickle”

用于序列化的模块。可用选项位于 sktime.base._base.SERIALIZATION_FORMATS 下。请注意，非默认格式可能需要安装其他软依赖。

返回值:

如果 path 为 None - 内存中序列化的 self

如果 path 为文件位置 - 引用该文件的 ZipFile 对象

score(X, y) → float

在 X 上根据真实标签对预测标签进行评分。

参数:

XPanel scitype 的 sktime 兼容时间序列面板数据容器

用于评分预测标签的时间序列。

可以是 Panel scitype 的任何 mtype，例如

• pd-multiindex: 列为变量，索引为 pd.MultiIndex 的 pd.DataFrame，其中第一级为实例索引，第二级为时间索引

• numpy3D: 形状为 [n_instances, n_dimensions, series_length] 的 3D np.array（任意维数，等长序列）

• 或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有评估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。

yTable scitype 的 sktime 兼容表格数据容器

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

返回值:

float, predict(X) 与 y 的准确率得分

set_config(**config_dict)

将配置标志设置为给定值。

参数:

config_dictdict

配置名 : 配置值对的字典。有效的配置、值及其含义如下所示

displaystr, “diagram” (default), 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, default=True

打印 self 时，是否只列出自默认值有所不同的 self 参数 (False)，还是列出所有参数名称和值 (False)。不嵌套，即仅影响 self 而不影响组件估计器。

warningsstr, “on” (default), 或 “off”

是否引发警告，仅影响来自 sktime 的警告

• “on” = 将引发来自 sktime 的警告

• “off” = 将不引发来自 sktime 的警告

backend:parallelstr, 可选, default=”None”

广播/向量化时用于并行化的后端之一：

• “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, default={} (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”: 无附加参数，backend_params 被忽略

• “loky”, “multiprocessing” 和 “threading”: 默认 joblib 后端，此处可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，除了 backend，它由 backend 直接控制。如果未传递 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。此处可以传递 joblib.Parallel 的任何有效键，例如 n_jobs。backend 必须作为 backend_params 的一个键在此处传递。如果未传递 n_jobs，则默认为 -1，其他参数将默认为 joblib 的默认值。

• “dask”: 可以传递 dask.compute 的任何有效键，例如 scheduler

• “ray”: 可以传递以下键

  • “ray_remote_args”: ray.init 的有效键字典

  • “shutdown_ray”: bool, default=True; False 会阻止 ray 在并行化后关闭。

    “logger_name”: str, default=”ray”; 要使用的日志记录器的名称。

  • “mute_warnings”: bool, default=False; 如果为 True，则抑制警告。

  • “mute_warnings”：布尔型，默认值：False；若为True，则抑制警告

返回值:

self指向 self 的引用。

注意

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

set_params(**params)

设置此对象的参数。

该方法适用于简单的 skbase 对象和复合对象。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>。如果引用明确（例如，没有两个组件参数同名 <parameter>），也可以使用不带 <component>__ 的字符串 <parameter>。

参数:

**paramsdict

BaseObject 参数，键必须是 <component>__<parameter> 字符串。__ 后缀如果对于 get_params 的键是唯一的，可以作为完整字符串的别名。

返回值:

self指向 self 的引用（设置参数后）

set_random_state(random_state=None, deep=True, self_policy='copy')

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，保证了 seeded 随机生成器的伪随机独立性。

适用于 self 中的 random_state 参数（取决于 self_policy），以及剩余组件对象（当且仅当 deep=True 时）。

注意：即使 self 没有 random_state，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，即使那些没有 random_state 参数的对象。

参数:

random_stateint, RandomState 实例或 None, default=None

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

deepbool, default=True

是否在 skbase 对象值参数中设置随机状态，即组件估计器。

• 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, “copy”, “keep”, “new” 中的一个, default=”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，通常与其不同

返回值:

self指向 self 的引用

set_tags(**tag_dict)

将实例级标签覆盖设置为给定值。

每个与 scikit-base 兼容的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，它们是静态标志，在对象构造后不会改变。它们可用于元数据检查或控制对象的行为。

set_tags 根据 tag_dict 中指定的动态标签覆盖，其中键是标签名，字典值是要设置的标签值。

set_tags 方法只能在对象的 __init__ 方法中，在构造期间，或直接在 __init__ 后调用。

当前的标签值可以通过 get_tags 或 get_tag 检查。

参数:

**tag_dictdict

标签名: 标签值对的字典。

返回值:

Self

指向 self 的引用。

summary()

返回模型拟合的损失/指标的摘要函数。

返回值:

history: dict 或 None,

包含模型训练/验证损失和指标的字典