GRUFCNNClassifier#

类 GRUFCNNClassifier(hidden_dim: int, gru_layers: int, batch_first: bool = False, bias: bool = True, init_weights: bool = True, dropout: float = 0.0, gru_dropout: float = 0.0, bidirectional: bool = False, conv_layers: list = [128, 256, 128], kernel_sizes: list = [7, 5, 3], num_epochs: int = 10, batch_size: int = 8, optimizer: str = 'Adam', criterion: str = None, criterion_kwargs: dict = None, optimizer_kwargs: dict = None, lr: float = 0.01, verbose: bool = False, random_state: int = None)[source]#

用于时间序列分类的 GRU-FCN。

此分类器中使用的网络最初在 [1] 中定义。当前实现使用 PyTorch 并参考了 [2] 和 [3] 中的 TensorFlow 实现。

参数:

hidden_dimint: 隐藏状态的特征数量。
gru_layersint: 循环层数。
batch_firstbool: 如果为 True，则输入和输出张量以 (batch, seq, feature) 形式提供，默认为 False。
biasbool: 如果为 False，则该层不使用偏置权重，默认为 True。
init_weightsbool: 如果为 True，则初始化权重，默认为 True。
dropoutfloat: 应用于 gru cell 内部的 dropout 率。默认为 0.0
gru_dropoutfloat: 应用于 gru 输出层的 dropout 率。默认为 0.0
bidirectionalbool: 如果为 True，则 GRU 为双向，默认为 False。
conv_layerslist: 指定每个卷积层中滤波器数量的整数列表。默认为 [128, 256, 128]。
kernel_sizeslist: 指定每个卷积层中核大小的整数列表。默认为 [7, 5, 3]。
num_epochsint, optional (default=10): 训练模型的 epoch 数量。
optimizerstr, optional (default=None): 要使用的优化器。如果为 None，将使用 Adam。
activationstr, optional (default=”relu”): 要使用的激活函数。选项：[“relu”, “softmax”]。
batch_sizeint, optional (default=8): 训练期间每个 mini-batch 的大小。
criterioncallable, optional (default=None): 要使用的损失函数。如果为 None，将使用 CrossEntropyLoss。
criterion_kwargsdict, optional (default=None): 传递给损失函数的额外关键字参数。
optimizer_kwargsdict, optional (default=None): 传递给优化器的额外关键字参数。
lrfloat, optional (default=0.001): 用于优化器的学习率。
verbosebool, optional (default=False): 训练期间是否打印进度信息。
random_stateint, optional (default=None): 确保可重现性的种子。

属性:

is_fitted: 是否已调用 fit。

参考文献

[1]

Elsayed 等人。《用于单变量时间序列分类的深度门控循环和卷积网络混合模型》，arXiv 预印本 arXiv:1812.07683 (2018)。

[2]

NellyElsayed/GRU-FCN-model-for-univariate-time-series-classification

[3]

titu1994/LSTM-FCN

方法

`check_is_fitted`([method_name])	检查估计器是否已拟合。
`clone`()	获取具有相同超参数和配置的对象克隆。
`clone_tags`(estimator[, tag_names])	克隆另一个对象中的标签作为动态覆盖。
`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])	创建所有测试实例列表及其名称列表。
`fit`(X, y)	将时间序列分类器拟合到训练数据。
`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，带标签级别继承自父类。
`get_class_tags`()	从类中获取类标签，带标签级别继承自父类。
`get_config`()	获取 self 的配置标志。
`get_fitted_params`([deep])	获取拟合参数。
`get_param_defaults`()	获取对象的参数默认值。
`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, ...])	从实例中获取标签值，带标签级别继承和覆盖。
`get_tags`()	从实例中获取标签，带标签级别继承和覆盖。
`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。
`reset`()	将对象重置为干净的初始化后状态。
`save`([path, serialization_format])	将序列化的 self 保存到字节类对象或 (.zip) 文件。
`score`(X, y)	在 X 上根据真实标签对预测标签评分。
`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 self 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。

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。分类器的保留值

“results_comparison” - 用于某些分类器中的身份测试
应包含与“TSC bakeoff”相当的参数设置

返回:

paramsdict or list of dict, 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]) 创建有效的测试实例。create_test_instance 使用 params 中的第一个（或唯一一个）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，则引发 NotFittedError。

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。

引发:

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克隆。

克隆是一个没有共享引用，处于初始化后状态的不同对象。此函数相当于返回 sklearn.clone(self)。

相当于构造一个新的 type(self) 实例，使用 self 的参数，即 type(self)(**self.get_params(deep=False))。

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

在值上也相当于调用 self.reset，但 clone 返回一个新对象，而 reset 是修改 self。

引发:

如果因错误的 __init__ 导致克隆不符合规范，则会引发 RuntimeError。

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

克隆另一个对象中的标签作为动态覆盖。

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。

通过 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__ 构造后立即调用。

动态标签被设置为 estimator 中由 tag_names 指定名称的标签值。

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

当前标签值可以通过 get_tags 或 get_tag 检查。

estimator:class:BaseObject 或派生类的实例。

参数:

tag_namesstr 或 str 列表，默认为 None
要克隆的标签名称。默认值 (None) 克隆来自 estimator 的所有标签。: self

返回:

对 self 的引用。: classmethod create_test_instance(parameter_set='default')[source]#

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。

使用第一个测试参数集构造类的实例。

参数:

parameter_setstr, default=”default”: instance带有默认参数的类实例。

返回:

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

objscls 实例列表

创建所有测试实例列表及其名称列表。

参数:

parameter_setstr, default=”default”: instance带有默认参数的类实例。

返回:

第 i 个实例是 cls(**cls.get_test_params()[i]): namesstr 列表，长度与 objs 相同
第 i 个元素是 obj 在测试中的第 i 个实例的名称。命名约定是如果实例多于一个，则为 {cls.__name__}-{i}，否则为 {cls.__name__}: fit(X, y)[source]#

状态变化

将时间序列分类器拟合到训练数据。

将状态更改为“fitted”（已拟合）。: 写入 self
将 self.is_fitted 设置为 True。设置以“_”结尾的拟合模型属性。: Xsktime 兼容的时间序列面板数据容器，属于 Panel 科学类型。

参数:

要拟合估计器的时间序列。

可以是 Panel 科学类型的任何 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（任意维度，等长序列），形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype
有关 mtypes 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详细信息请参阅标签参考。

ysktime 兼容的表格数据容器，属于 Table 科学类型。

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，第 0 个索引对应于 X 中的实例索引，第 1 个索引（如果适用）对应于 X 中的多输出向量索引。支持的 sktime 类型：np.ndarray (1D, 2D), pd.Series, pd.DataFrame

self对 self 的引用。

返回:

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

用于生成样本内预测和交叉验证的样本外预测的便捷方法。

拟合并预测 X 中序列的标签。

写入 self，如果 change_state=True

如果 change_state=False，则不更新状态。: Xsktime 兼容的时间序列面板数据容器，属于 Panel 科学类型。

要拟合和预测标签的时间序列。

参数:

要拟合估计器的时间序列。

cvNone, int, 或 sklearn 交叉验证对象，可选，默认为 None

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（任意维度，等长序列），形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype
有关 mtypes 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详细信息请参阅标签参考。

ysktime 兼容的表格数据容器，属于 Table 科学类型。

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，第 0 个索引对应于 X 中的实例索引，第 1 个索引（如果适用）对应于 X 中的多输出向量索引。支持的 sktime 类型：np.ndarray (1D, 2D), pd.Series, pd.DataFrame

self对 self 的引用。

None : 预测是样本内的，等同于 fit(X, y).predict(X)

cv : 预测等同于 fit(X_train, y_train).predict(X_test)，其中从 cv 折叠中获取多个 X_train, y_train, X_test。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 折交叉验证的样本外预测，其中 random_state x 取自 self（如果存在），否则 x=None
change_statebool, optional (default=True)

如果为 False，将不会更改分类器的状态，即拟合/预测序列使用副本运行，self 不变

如果为 True，将 self 拟合到完整的 X 和 y，最终状态将等同于运行 fit(X, y)
y_predsktime 兼容的表格数据容器，属于 Table 科学类型

返回:

预测的类标签

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]。

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

如果 y 是一元的（一个维度），则为 1D np.npdarray；否则，与拟合时传入的 y 类型相同

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

y_pred2D np.array，整数类型，形状为 [n_instances, n_classes]

拟合并预测 X 中序列的标签概率。

写入 self，如果 change_state=True

如果 change_state=False，则不更新状态。: Xsktime 兼容的时间序列面板数据容器，属于 Panel 科学类型。

要拟合和预测标签的时间序列。

参数:

要拟合估计器的时间序列。

cvNone, int, 或 sklearn 交叉验证对象，可选，默认为 None

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（任意维度，等长序列），形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype
有关 mtypes 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详细信息请参阅标签参考。

ysktime 兼容的表格数据容器，属于 Table 科学类型。

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，第 0 个索引对应于 X 中的实例索引，第 1 个索引（如果适用）对应于 X 中的多输出向量索引。支持的 sktime 类型：np.ndarray (1D, 2D), pd.Series, pd.DataFrame

self对 self 的引用。

None : 预测是样本内的，等同于 fit(X, y).predict(X)

cv : 预测等同于 fit(X_train, y_train).predict(X_test)，其中从 cv 折叠中获取多个 X_train, y_train, X_test。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 折交叉验证的样本外预测，其中 random_state x 取自 self（如果存在），否则 x=None
change_statebool, optional (default=True)

如果为 False，将不会更改分类器的状态，即拟合/预测序列使用副本运行，self 不变

如果为 True，将 self 拟合到完整的 X 和 y，最终状态将等同于运行 fit(X, y)
y_predsktime 兼容的表格数据容器，属于 Table 科学类型

返回:

预测的类标签概率。第 0 个索引对应于 X 中的实例索引，第 1 个索引对应于类索引，顺序与 self.classes_ 中的条目相同。条目为预测的类概率，总和为 1: classmethod get_class_tag(tag_name, tag_value_default=None)[source]#

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。

从类中获取类标签值，带标签级别继承自父类。

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

它返回对象中名为 tag_name 的标签的值，考虑到标签覆盖的优先级顺序如下（优先级递减）：

在类的 _tags 属性中设置的标签。

在父类的 _tags 属性中按继承顺序设置的标签，
不考虑在实例上设置的动态标签覆盖，例如通过 set_tags 或 clone_tags 在实例上定义的覆盖。

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

tag_namestr

标签值名称。

参数:

tag_value_defaultany type: 如果未找到标签，则为默认/回退值。
tag_value: self 中 tag_name 标签的值。如果未找到，返回 tag_value_default。

返回:

classmethod get_class_tags()[source]#: get_class_tags 方法是一个类方法，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。

从类中获取类标签，带标签级别继承自父类。

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。

通过 clone_tags 从另一个对象 estimator 设置动态标签覆盖。

值是相应的标签值，覆盖优先级顺序如下（优先级递减）：

实例可以根据超参数覆盖这些标签。

要检索可能包含实例覆盖的标签，请改用 get_tags 方法。

在父类的 _tags 属性中按继承顺序设置的标签，
不考虑在实例上设置的动态标签覆盖，例如通过 set_tags 或 clone_tags 在实例上定义的覆盖。

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

要包含动态标签的覆盖，请使用 get_tags。

collected_tagsdict

tag_namestr

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

get_config()[source]#: 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。

获取 self 的配置标志。

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

配置在 clone 或 reset 调用时保留。

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，然后通过 _onfig_dynamic 对象属性的任何覆盖和新标签覆盖。

返回:

get_fitted_params(deep=True)[source]#: 所需状态

需要状态为“fitted”（已拟合）。

获取拟合参数。

deepbool, default=True: 是否返回组件的拟合参数。

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 值参数）的拟合参数。

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

fitted_params键为字符串的拟合参数字典。
参数名称 : 参数值键值对包括

返回:

始终：此对象的所有拟合参数，如通过 get_param_names 获取的。值为此对象该键的拟合参数值。

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

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。

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。

返回:

classmethod get_param_names(sort=True)[source]#: 获取对象的参数名称。

sortbool, default=True

是否按字母顺序（True）或在类的 __init__ 中出现的顺序（False）返回参数名称。

参数:

param_names: list[str]: `cls` 的参数名称列表。如果 sort=False，则按其在类的 __init__ 中出现的顺序排列。如果 sort=True，则按字母顺序排列。

返回:

get_params(deep=True)[source]#: 是否返回组件的参数。

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

获取此对象的参数值字典。

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 值参数）的拟合参数。

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

params键为字符串的参数字典。
参数名称 : 参数值键值对包括

返回:

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

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

get_tag 方法从实例中检索名为 tag_name 的单个标签值，考虑到标签覆盖的优先级顺序如下（优先级递减）：
classmethod get_param_defaults()[source]#
获取对象的参数默认值。

在实例上通过 set_tags 或 clone_tags 设置的标签，

从实例中获取标签值，带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。

通过 clone_tags 从另一个对象 estimator 设置动态标签覆盖。

即在实例构造时设置的。

要检索的标签名称

tag_value_default任意类型，可选；默认为 None

在父类的 _tags 属性中按继承顺序设置的标签，
不考虑在实例上设置的动态标签覆盖，例如通过 set_tags 或 clone_tags 在实例上定义的覆盖。

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

参数:

tag_value_defaultany type: 如果未找到标签，则为默认/回退值
raise_errorbool: 未找到标签时是否引发 ValueError
tag_valueAny: self 中 tag_name 标签的值。如果未找到，并且 raise_error 为 True，则引发错误，否则返回 tag_value_default。

返回:

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

引发:

get_tags()[source]#: 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。

get_tags()[source]#

从实例中获取标签，带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。

通过 clone_tags 从另一个对象 estimator 设置动态标签覆盖。

get_tags 方法返回一个标签字典，其中键是类或其任何父类中设置的任何 _tags 属性的键，或是通过 set_tags 或 clone_tags 设置的标签。

要检索可能包含实例覆盖的标签，请改用 get_tags 方法。

要检索的标签名称

tag_value_default任意类型，可选；默认为 None

在父类的 _tags 属性中按继承顺序设置的标签，
不考虑在实例上设置的动态标签覆盖，例如通过 set_tags 或 clone_tags 在实例上定义的覆盖。

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

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 对象属性收集任何覆盖和新标签。

is_composite()[source]#

检查对象是否由其他 BaseObjects 组成。

复合对象是包含作为参数的对象的对象。在实例上调用，因为这可能因实例而异。

返回:

composite: bool: 对象是否有任何参数，其值是 BaseObject 的后代实例。

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，并在调用对象的 fit 方法时设置为 True。

返回:

bool: 估计器是否已经过 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 self，其结果是 cls.save(path) 在 path 位置产生的输出

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 self，其结果是 cls.save(None) 产生的输出 serial

predict(X)[source]#

预测 X 中序列的标签。

参数:

要拟合估计器的时间序列。

用于预测标签的时间序列。

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（任意维度，等长序列），形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype
有关 mtypes 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详细信息请参阅标签参考。

ysktime 兼容的表格数据容器，属于 Table 科学类型。

返回:

预测的类标签

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]。

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

如果 y 是一元的（一个维度），则为 1D np.npdarray；否则，与拟合时传入的 y 类型相同

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

predict_proba(X)[source]#

预测 X 中序列的标签概率。

参数:

要拟合估计器的时间序列。

用于预测标签的时间序列。

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（任意维度，等长序列），形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype
有关 mtypes 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详细信息请参阅标签参考。

ysktime 兼容的表格数据容器，属于 Table 科学类型。

返回:

预测的类标签概率。第 0 个索引对应于 X 中的实例索引，第 1 个索引对应于类索引，顺序与 self.classes_ 中的条目相同。条目为预测的类概率，总和为 1: 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，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。

导致将 self 设置为其在构造函数调用后直接所处的状态，具有相同的超参数。通过 set_config 设置的配置值也会保留。

reset 调用会删除除以下属性之外的任何对象属性：

超参数 = 写给 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”的属性被保留。
配置属性，配置保持不变。也就是说，在 reset 前后调用 get_config 的结果相等。

类和对象方法以及类属性也不受影响。

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

在调用 self.reset() 后，self 的值和状态等于调用构造函数 ``type(self)(**self.get_params(deep=False))`` 后获得的对象。

返回:

对 self 的引用。: 类实例被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 self 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 self；如果 path 是文件位置，则将 self 作为 zip 文件存储在该位置

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 - 序列化的 self。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 self 保存到内存对象如果是文件位置，则将 self 保存到该文件位置。如果

path=”estimator” 则将在 cwd 中创建一个名为 estimator.zip 的 zip 文件。
path=”/home/stored/estimator” 则将创建一个名为 estimator.zip 的 zip 文件

存储在 /home/stored/ 中。

serialization_format: str, default = “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 self
如果 path 是文件位置 - 引用该文件的 ZipFile

score(X, y) → float[source]#

在 X 上根据真实标签对预测标签评分。

参数:

要拟合估计器的时间序列。

用于预测标签的时间序列，以计算分数。

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（任意维度，等长序列），形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype
有关 mtypes 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详细信息请参阅标签参考。

ysktime 兼容的表格数据容器，属于 Table 科学类型。

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，第 0 个索引对应于 X 中的实例索引，第 1 个索引（如果适用）对应于 X 中的多输出向量索引。支持的 sktime 类型：np.ndarray (1D, 2D), pd.Series, pd.DataFrame

self对 self 的引用。

返回:

float，predict(X) 相对于 y 的准确率分数

set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数:

get_fitted_params(deep=True)[source]#

配置名称 : 配置值对的字典。有效的配置、值及其含义如下所示

displaystr, “diagram” (默认), 或 “text”

jupyter kernel 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 时是否仅列出与默认值不同的 self 参数 (False)，或者列出所有参数名称和值 (False)。不嵌套，即仅影响 self，不影响组件估计器。

warningsstr, “on” (默认), 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, optional, default=”None”

用于广播/矢量化时并行化的后端，可选值之一：

“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, optional, 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”：默认的 joblib 后端任何适用于 joblib.Parallel 的有效键都可以在此处传递，例如 n_jobs，但 backend 除外，它直接由 backend 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。任何适用于 joblib.Parallel 的有效键都可以在此处传递，例如 n_jobs，在这种情况下，backend 必须作为 backend_params 的一个键传递。如果未传递 n_jobs，则默认为 -1，其他参数将默认为 joblib 的默认值。
“dask”：可以传递任何适用于 dask.compute 的有效键，例如 scheduler
“ray”：可以传递以下键
- “ray_remote_args”：适用于 ray.init 的有效键字典
- “shutdown_ray”：bool，默认=True；False 阻止 ray 在并行化后
  关闭。
- “logger_name”：str，默认=“ray”；要使用的日志记录器的名称。
- “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。

该方法适用于简单的 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>。如果这种引用是明确的（例如，没有两个组件参数具有相同的名称 <parameter>），则也可以使用字符串 <parameter>，而不带 <component>__ 前缀。

参数:

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

返回:

self对 self 的引用 (参数设置后)

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

为 self 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，并保证有种子的随机生成器之间的伪随机独立性。

根据 self_policy 应用于 self 中的 random_state 参数，当且仅当 deep=True 时，也应用于其余的组件对象。

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。

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。传递 int 以在多次函数调用中获得可重现的输出。

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 值参数）的拟合参数。

deep: bool, default=True

是否在值为 skbase 对象的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，则也会在组件对象中设置 random_state 参数。

self_policystr, {“copy”, “keep”, “new”} 之一, 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。

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

标签是特定于实例 self 的键值对，它们是构建对象后不会更改的静态标志。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）或通过 __init__ 直接在构造后调用。

estimator:class:BaseObject 或派生类的实例。

参数:

**tag_dictdict: 标签名称: 标签值对的字典。

返回:

Self: 对 self 的引用。