InceptionTimeClassifier

class InceptionTimeClassifier(n_epochs=1500, batch_size=64, kernel_size=40, n_filters=32, use_residual=True, use_bottleneck=True, bottleneck_size=32, depth=6, callbacks=None, random_state=None, verbose=False, loss='categorical_crossentropy', metrics=None)

InceptionTime 深度学习分类器。

改编自 Fawaz 等人的实现 hfawaz/InceptionTime

InceptionTime 在 [1]_ 中有所描述，它是一种为时间序列分类设计的深度学习模型。它基于图像的 Inception 架构。该模型由一系列 Inception 模块组成。

InceptionTimeClassifier 是原始出版物 [1]_ 中描述的 InceptionTime 模型的一个单一实例，原始模型使用了 5 个单一实例的集成。

要构建一个模仿 [1]_ 的模型集成，请使用 BaggingClassifier，设置 n_estimators=5、bootstrap=False，并将 estimator 设置为此 InceptionTimeClassifier 的一个实例。

参数:

n_epochsint, 默认值=1500

batch_sizeint, 默认值=64

每次梯度更新的样本数量

kernel_sizeint, 默认值=40

指定一维卷积窗口的长度

n_filtersint, 默认值=32

use_residualboolean, 默认值=True

use_bottleneckboolean, 默认值=True

bottleneck_sizeint, 默认值=32

depthint, 默认值=6

callbackstf.keras.callbacks.Callback 对象列表

random_state: int, 可选, 默认值=None

用于内部随机数生成器的随机种子

verbose: boolean, 默认值=False

是否打印运行时信息

loss: str, 默认值=”categorical_crossentropy”

metrics: 可选

属性:

is_fitted

是否已调用 fit 方法。

注意

..[1] Fawaz 等人，InceptionTime：寻找用于时间序列分类的 AlexNet，数据挖掘与知识发现，34, 2020

示例

InceptionTime 模型的一个单一实例：>>> from sktime.classification.deep_learning import InceptionTimeClassifier >>> from sktime.datasets import load_unit_test # doctest: +SKIP >>> X_train, y_train = load_unit_test(split=”train”) # doctest: +SKIP >>> X_test, y_test = load_unit_test(split=”test”) # doctest: +SKIP >>> clf = InceptionTimeClassifier() # doctest: +SKIP >>> clf.fit(X_train, y_train) # doctest: +SKIP InceptionTimeClassifier(…)

要构建一个模仿 [1]_ 的模型集成，请如下使用 BaggingClassifier：>>> from sktime.classification.ensemble import BaggingClassifier >>> from sktime.classification.deep_learning import InceptionTimeClassifier >>> from sktime.datasets import load_unit_test # doctest: +SKIP >>> X_train, y_train = load_unit_test(split=”train”) # doctest: +SKIP >>> X_test, y_test = load_unit_test(split=”test”) # doctest: +SKIP >>> clf = BaggingClassifier( … InceptionTimeClassifier(), … n_estimators=5, … bootstrap=False … ) # doctest: +SKIP >>> clf.fit(X_train, y_train) # doctest: +SKIP BaggingClassifier(…)

方法

build_model(input_shape, n_classes, **kwargs)	构建一个已编译、未训练的 keras 模型，该模型已准备好进行训练。
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建该类的一个实例。
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, 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，继承父类的标签级别。
get_class_tags()	从类中获取类标签，继承父类的标签级别。
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])	将序列化的自身保存到类似字节的对象或 (.zip) 文件。
score(X, y)	根据 X 上的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)	将实例级别标签覆盖设置为给定值。
summary()	用于返回模型拟合损失/指标的汇总函数。

build_model(input_shape, n_classes, **kwargs)

构建一个已编译、未训练的 keras 模型，该模型已准备好进行训练。

参数:

input_shapetuple

输入层接收的数据形状

n_classes: int

类别的数量，它将成为输出

层

返回:

output一个已编译的 Keras Model

classmethod get_test_params(parameter_set='default')

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。如果未为某个值定义特殊参数，将返回 "default" 集。对于分类器，应提供“default”参数集用于一般测试，如果通用集未产生适合比较的概率，则提供“results_comparison”参数集用于与先前记录的结果进行比较。

返回:

paramsdict 或 dict 列表, 默认值={}

用于创建该类测试实例的参数。每个 dict 都是用于构建一个“有趣”测试实例的参数，例如，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（或唯一一个）字典。

check_is_fitted(method_name=None)

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, 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。

引发:

NotFittedError

如果估计器尚未拟合。

clone()

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。此函数等效于返回 self 的 sklearn.clone。

等效于构建 type(self) 的一个新实例，具有 self 的参数，即 type(self)(**self.get_params(deep=False))。

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

在值上也等效于调用 self.reset，但 clone 返回一个新对象，而不是像 reset 那样改变 self。

引发:

如果由于错误的 __init__ 导致克隆不符合要求，则引发 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会更改的静态标志。

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，在构造期间，或通过 __init__ 直接在构造之后调用。

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

tag_names 的默认设置将 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 检查。

参数:

estimator:class:`BaseObject` 或其派生类的一个实例

tag_namesstr 或 str 列表, 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:

self

self 的引用。

classmethod create_test_instance(parameter_set='default')

使用第一个测试参数集构建该类的一个实例。

参数:

parameter_setstr, 默认值=”default”

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

返回:

instance具有默认参数的类的实例

classmethod create_test_instances_and_names(parameter_set='default')

创建所有测试实例的列表及其名称列表。

参数:

parameter_setstr, 默认值=”default”

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

返回:

objscls 实例的列表

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。如果实例不止一个，命名约定是 {cls.__name__}-{i}，否则是 {cls.__name__}

fit(X, y)

将时间序列分类器拟合到训练数据。

状态更改

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 scientific type 的 sktime 兼容时间序列面板数据容器

用于拟合估计器的时间序列。

可以是 `Panel` scientific type 的任何 mtype 格式，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

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具有多元或不等长序列的面板，详情请参阅 标签参考。

yTable scientific type 的 sktime 兼容表格数据容器

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

返回:

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样本外预测的便捷方法。

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 scientific type 的 sktime 兼容时间序列面板数据容器

用于拟合和预测标签的时间序列。

可以是 `Panel` scientific type 的任何 mtype 格式，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

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具有多元或不等长序列的面板，详情请参阅 标签参考。

yTable scientific type 的 sktime 兼容表格数据容器

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

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

• None : 预测是样本内的，等效于 fit(X, y).predict(X)

• cv : 预测等效于 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 : 等效于 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 (默认值=True)

• 如果为 False，则不会更改分类器的状态，即拟合/预测序列使用副本运行，自身不会更改

• 如果为 True，则将自身拟合到完整的 X 和 y，最终状态将等同于运行 fit(X, y)

返回:

y_predTable scientific type 的 sktime 兼容表格数据容器

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]。

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（一维），则为 1D np.npdarray；否则，与 fit 中传递的 y 类型相同

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样本外预测的便捷方法。

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 scientific type 的 sktime 兼容时间序列面板数据容器

用于拟合和预测标签的时间序列。

可以是 `Panel` scientific type 的任何 mtype 格式，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

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具有多元或不等长序列的面板，详情请参阅 标签参考。

yTable scientific type 的 sktime 兼容表格数据容器

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

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

• None : 预测是样本内的，等效于 fit(X, y).predict(X)

• cv : 预测等效于 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 : 等效于 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 (默认值=True)

• 如果为 False，则不会更改分类器的状态，即拟合/预测序列使用副本运行，自身不会更改

• 如果为 True，则将自身拟合到完整的 X 和 y，最终状态将等同于运行 fit(X, y)

返回:

y_pred2D np.array (int 类型)，形状为 [n_instances, n_classes]

预测的类别标签概率 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)

从类中获取类标签值，继承父类的标签级别。

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，仅考虑类级别标签值和覆盖来检索标签的值。

它返回对象中名称为 tag_name 的标签的值，考虑标签覆盖，优先级按以下降序排列

1. 在类的 _tags 属性中设置的标签。

2. 在父类的 _tags 属性中设置的标签，

按继承顺序排列。

不考虑实例上的动态标签覆盖，即通过 set_tags 或 clone_tags 在实例上设置的覆盖。

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_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/回退值。

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()

从类中获取类标签，继承父类的标签级别。

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会更改的静态标志。

get_class_tags 方法是一个类方法，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，键为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，覆盖优先级按以下降序排列

1. 在类的 _tags 属性中设置的标签。

2. 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。

要检索可能包含实例覆盖的标签，请改用 get_tags 方法。

不考虑实例上的动态标签覆盖，即通过 set_tags 或 clone_tags 在实例上设置的覆盖。

要包含来自动态标签的覆盖，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。不受通过 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临时标志。

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:

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 _onfig_dynamic 对象属性中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, 默认值=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，包括可拟合组件的已拟合参数（= BaseEstimator 值参数）。

• 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键为 str 值的 dict

已拟合参数的字典，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 获得的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 组件参数索引为 [componentname]__[paramname] 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:

default_dict: dict[str, Any]

键是 cls 中所有在 __init__ 中定义了默认值的参数。值是在 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)

获取对象的参数名称。

参数:

sortbool, 默认值=True

是否按字母顺序（True）或按它们在类 __init__ 中出现的顺序（False）返回参数名称。

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, 默认值=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，包括组件的参数（= BaseObject 值参数）。

• 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键为 str 值的 dict

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 获得的值是此对象该键的参数值 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 组件参数索引为 [componentname]__[paramname] 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会更改的静态标志。

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，考虑标签覆盖，优先级按以下降序排列

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

在实例构造时。

2. 在类的 _tags 属性中设置的标签。

3. 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

如果未找到标签，则为默认/回退值

raise_errorbool

当未找到标签时是否引发 ValueError

返回:

tag_valueAny

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

引发:

ValueError, 如果 raise_error 为 True。

如果 tag_name 不在 self.get_tags().keys() 中，则引发 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会更改的静态标志。

get_tags 方法返回一个标签字典，键为类或其任何父类中设置的任何 _tags 属性的键，或通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，覆盖优先级按以下降序排列

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

在实例构造时。

2. 在类的 _tags 属性中设置的标签。

3. 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 对象属性中收集任何覆盖和新标签。

is_composite()

检查对象是否由其他 BaseObjects 组成。

复合对象是指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 的后代实例。

property is_fitted

是否已调用 fit 方法。

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 fit。

classmethod load_from_path(serial)

从文件位置加载对象。

参数:

serialZip 文件的名称。

返回:

cls.save(path) 在 path 生成的输出的反序列化自身

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() 历史记录。

返回:

cls.save(None) 输出 serial 的反序列化自身

predict(X)

预测 X 中序列的标签。

参数:

XPanel scientific type 的 sktime 兼容时间序列面板数据容器

用于预测标签的时间序列。

可以是 `Panel` scientific type 的任何 mtype 格式，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

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具有多元或不等长序列的面板，详情请参阅 标签参考。

返回:

y_predTable scientific type 的 sktime 兼容表格数据容器

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]。

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（一维），则为 1D np.npdarray；否则，与 fit 中传递的 y 类型相同

predict_proba(X)

预测 X 中序列的标签概率。

参数:

XPanel scientific type 的 sktime 兼容时间序列面板数据容器

用于预测标签的时间序列。

可以是 `Panel` scientific type 的任何 mtype 格式，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

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具有多元或不等长序列的面板，详情请参阅 标签参考。

返回:

y_pred2D np.array (int 类型)，形状为 [n_instances, n_classes]

预测的类别标签概率 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()

将对象重置为干净的初始化后状态。

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

一个 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

• 包含双下划线的对象属性，即字符串“__”。例如，名为“__myattr”的属性会被保留。

• 配置属性，配置不变保留。也就是说，在 reset 之前和之后 get_config 的结果是相同的。

类和对象方法以及类属性也不受影响。

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

在 self.reset() 调用后，self 在值和状态上等于构造函数调用 ``type(self)(**self.get_params(deep=False))`` 后获得的对象。

返回:

self

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')

将序列化的自身保存到类似字节的对象或 (.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，则在该位置存储名为该名称的 zip 文件。zip 文件内容包括：_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)。keras/ - 模型、优化器和状态存储在此目录中。history - 序列化历史记录对象。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，自身保存到内存对象；如果是文件位置，自身保存到该文件位置。例如

path=”estimator” 则会在当前工作目录创建 estimator.zip 文件。path=”/home/stored/estimator” 则会在 /home/stored/ 中存储 estimator.zip 文件。

serialization_formatstr, 默认值 = “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

根据 X 上的真实标签对预测标签进行评分。

参数:

XPanel scientific type 的 sktime 兼容时间序列面板数据容器

用于对预测标签评分的时间序列。

可以是 `Panel` scientific type 的任何 mtype 格式，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

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具有多元或不等长序列的面板，详情请参阅 标签参考。

yTable scientific type 的 sktime 兼容表格数据容器

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

返回:

float，predict(X) 与 y 相比的准确率得分

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 如何显示自身的实例

• “diagram” = html 盒子图表示

• “text” = 字符串打印输出

print_changed_onlybool, 默认值=True

打印自身时是否仅列出与默认值不同的自身参数 (False)，或所有参数名称和值 (False)。不进行嵌套，即仅影响自身而不影响组件估计器。

warningsstr, “on”（默认）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, 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

• “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，要求环境中安装 dask 包

• “ray”: 使用 ray，要求环境中安装 ray 包

backend:parallel:paramsdict, optional, default={} (未传递参数)

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，此处可以传递任何 joblib.Parallel 的有效键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果未传递 n_jobs，它将默认为 -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。此处可以传递任何 joblib.Parallel 的有效键，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，它将默认为 -1，其他参数将默认为 joblib 的默认值。

• “dask”: 可以传递任何 dask.compute 的有效键，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 阻止 ray 在并行化后

    关闭。

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

  • “mute_warnings”: bool, default=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)

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>。如果引用明确（例如，没有两个组件参数具有相同的名称 <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。__ 后缀可以作为完整字符串的别名，如果它在 get_params 键中是唯一的。

返回:

self对 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 通过链式哈希采样，并保证种子随机生成器的伪随机独立性。

根据 self_policy 和剩余组件对象（当且仅当 deep=True 时），应用于 self 中的 random_state 参数。

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，即使是那些没有 random_state 参数的对象。

参数:

random_stateint, RandomState instance 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 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 skbase 对象值参数（即组件估计器）中设置随机状态。

• 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, one of {“copy”, “keep”, “new”}, default=”copy”

• “copy” : self.random_state 被设置为输入的 random_state

• “keep” : self.random_state 保持不变

• “new” : self.random_state 被设置为一个新的随机状态，

它从输入的 random_state 派生，并且通常与它不同

返回:

self对 self 的引用

set_tags(**tag_dict)

将实例级别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，它们是对象构建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（构建期间）或通过 __init__ 直接在构建后调用。

当前的标签值可以通过 get_tags 或 get_tag 检查。

参数:

**tag_dictdict

标签名称: 标签值 对的字典。

返回:

Self

对 self 的引用。

summary()

用于返回模型拟合损失/指标的汇总函数。

返回:

history: dict 或 None,

包含模型训练/验证损失和指标的字典