BOSSEnsemble#

class BOSSEnsemble(threshold=0.92, max_ensemble_size=500, max_win_len_prop=1, min_window=10, save_train_predictions=False, feature_selection='none', use_boss_distance=True, alphabet_size=2, n_jobs=1, random_state=None)[source]#

符号傅里叶近似符号包 (BOSS) 集成。

Schäfer (2015) 提出的 BOSS 集成的实现。[1]

概述：输入长度为 m 的 n 个时间序列，BOSS 对一组参数值执行网格搜索，使用 LOOCV 评估每个参数。然后默认保留所有性能在最佳参数 92% 以内的集成成员用于集成。有三个主要参数：

`alpha`：字母表大小

`w`：窗口长度

`l`：词长度。

对于任何组合，单个 BOSS 沿时间序列滑动一个长度为 `w` 的窗口。通过进行傅里叶变换并保留前 `l/2` 个复数系数，将长度为 `w` 的窗口缩短为长度为 `l` 的词。然后将这些 `l` 个系数离散化为 `alpha` 个可能的值，形成一个长度为 `l` 的词。为每个时间序列形成并存储一个词直方图。

拟合涉及寻找“n”个直方图。

预测使用 1 最近邻和定制的 BOSS 距离函数。

参数：

thresholdfloat, default=0.92: 用于确定保留哪些分类器的阈值。保留所有性能在最佳分类器 threshold 百分比内的分类器。
max_ensemble_sizeint or None, default=500: 保留的最大分类器数量。即使超过 max_ensemble_size 的分类器在阈值范围内，也会限制保留的分类器数量。
max_win_len_propint or float, default=1: 作为时间序列长度比例的最大窗口长度。
min_windowint, default=10: 最小窗口大小。
save_train_predictionsbool, default=False: 在拟合时保存集成成员的训练预测，以便在 _get_train_probs 留一法交叉验证中使用。
alphabet_sizedefault = 2: 每个词可能的字母（值）数量。
n_jobsint, default=1: fit 和 predict 并行运行的作业数量。-1 表示使用所有处理器。
use_boss_distanceboolean, default=True: Boss 距离是一种非对称距离度量。它提供更高的准确性，但计算速度明显较慢。
feature_selection: {"chi2", "none", "random"}, default: none: 设置要使用的特征选择策略。Chi2 显著减少了词的数量，因此速度更快（首选）。Random 也显著减少了数量。None 不应用特征选择，会产生大量的词，例如可能需要大量内存。
random_stateint or None, default=None: 随机种子，整数。

属性：

n_classes_int: 类别数量。从数据中提取。
classes_list: 类别标签。
n_instances_int: 实例数量。从数据中提取。
n_estimators_int: 使用的最终分类器数量。如果指定了 max_ensemble_size，则将 <= max_ensemble_size。
series_length_int: 所有时间序列的长度（假定相等）。
estimators_list: DecisionTree 分类器列表。

另请参阅

IndividualBOSS, ContractableBOSS

注意

对于 Java 版本，请参阅 - Original Publication. - TSML.

参考文献

[1]

Patrick Schäfer, “The BOSS is concerned with time series classification in the presence of noise”, Data Mining and Knowledge Discovery, 29(6): 2015 https://link.springer.com/article/10.1007/s10618-014-0377-7

示例

>>> from sktime.classification.dictionary_based import BOSSEnsemble
>>> 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) 
>>> clf = BOSSEnsemble(max_ensemble_size=3) 
>>> clf.fit(X_train, y_train) 
BOSSEnsemble(...)
>>> y_pred = clf.predict(X_test) 

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的克隆。
`clone_tags`(estimator[, tag_names])	将另一个对象的标签克隆为动态覆盖。
`create_test_instance`([parameter_set])	使用第一个测试参数集构建类的实例。
`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 中时间序列的标签。
`fit_predict_proba`(X, y[, cv, change_state])	拟合并预测 X 中时间序列的标签概率。
`get_class_tag`(tag_name[, tag_value_default])	从类中获取类标签值，继承自父类的标签层级。
`get_class_tags`()	从类中获取类标签，继承自父类的标签层级。
`get_config`()	获取自身的配置标志。
`get_fitted_params`([deep])	获取已拟合的参数。
`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，具有标签层级继承和覆盖。
`get_tags`()	从实例中获取标签，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 BaseObject 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 中时间序列的标签。
`predict_proba`(X)	预测 X 中时间序列的标签概率。
`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类字节对象或 (.zip) 文件。
`score`(X, y)	根据 X 上预测的标签评估真实标签的得分。
`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, ...])	设置自身的 random_state 伪随机种子参数。
`set_tags`(**tag_dict)	将实例级别的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。如果未为某个值定义特殊参数，则将返回 "default" 集。对于分类器，应提供一组“default”参数用于一般测试，如果一般集未产生适合比较的概率，则应提供一组“results_comparison”参数用于与先前记录的结果进行比较。

返回值：

paramsdict or list of dict, default={}: 用于创建类测试实例的参数。每个 dict 是用于构建“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。在调用对象的 fit 方法时，is_fitted 属性应设置为 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：

NotFittedError: 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。

克隆是一个没有共享引用且处于初始化后状态的不同对象。此函数等同于返回 sklearn.clone 的 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))。

如果在 self 上设置了配置，则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())。

在值上也等同于调用 self.reset，但 clone 返回一个新对象，而 reset 会修改 self。

引发：

如果由于错误的 __init__ 导致克隆不合规，则引发 RuntimeError。

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

将另一个对象的标签克隆为动态覆盖。

每个 scikit-base 兼容对象都包含一个标签字典。标签可用于存储关于对象的元数据，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，在对象构造后不会更改。

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、构造期间或直接在 __init__ 后调用。

动态标签设置为 estimator 中具有指定名称 tag_names 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 中的所有标签。

返回值：

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建类的实例。

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')[source]#

创建所有测试实例列表及其名称列表。

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 个实例为 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，命名约定为 {cls.__name__}-{i}，否则为 {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: 将状态更改为“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，第一层为实例索引，第二层为时间索引
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

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

规范请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详见标签参考。

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，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

返回值：

self对自身的引用。

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

拟合并预测 X 中时间序列的标签。

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，第一层为实例索引，第二层为时间索引
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

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

规范请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详见标签参考。

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，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, or sklearn cross-validation object, optional, default=None

None : 预测为样本内预测，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 测试折叠必须不相交
int : 等同于 cv=KFold(cv, shuffle=True, random_state=x)，即样本外 k 折交叉验证预测，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，则不会更改分类器的状态，即拟合/预测序列使用副本运行，自身不改变
如果为 True，则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)

返回值：

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]。

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。

1D np.npdarray，如果 y 为单变量（一维）；否则，与拟合中传入的 y 类型相同

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

拟合并预测 X 中时间序列的标签概率。

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，第一层为实例索引，第二层为时间索引
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

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

规范请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详见标签参考。

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，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, or sklearn cross-validation object, optional, default=None

None : 预测为样本内预测，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 测试折叠必须不相交
int : 等同于 cv=KFold(cv, shuffle=True, random_state=x)，即样本外 k 折交叉验证预测，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，则不会更改分类器的状态，即拟合/预测序列使用副本运行，自身不改变
如果为 True，则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)

返回值：

y_pred2D np.array of int, of shape [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)[source]#

从类中获取类标签值，继承自父类的标签层级。

每个 scikit-base 兼容对象都包含一个标签字典，用于存储关于对象的元数据。

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。

它返回对象中名称为 tag_name 的标签值，考虑标签覆盖，按优先级递减的顺序如下：

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_defaultany type: 未找到标签时的默认/回退值。

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()[source]#

从类中获取类标签，继承自父类的标签层级。

每个 scikit-base 兼容对象都包含一个标签字典。标签可用于存储关于对象的元数据，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，在对象构造后不会更改。

get_class_tags 方法是一个类方法，它考虑仅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任何 _tags 属性的键。

值是对应的标签值，覆盖按优先级递减的顺序如下：

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，

按继承顺序。

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 _config 类属性中设置，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。

返回值：

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，然后应用 _onfig_dynamic 对象属性中的任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

获取已拟合的参数。

所需状态: 需要状态为“已拟合”。

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。

返回值：

fitted_paramsdict with str-valued keys

已拟合参数字典，键为参数名，值为参数值，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，值为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，组件参数以 [componentname]__[paramname] 索引，componentname 的所有参数以 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()[source]#

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。值是在 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数：

sortbool, default=True: 是按字母顺序排序（True）还是按它们在类 __init__ 中出现的顺序（False）返回参数名称。

返回值：

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。

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。

返回值：

paramsdict with str-valued keys

参数字典，键为参数名，值为参数值，键值对包括：

始终：此对象的所有参数，如同通过 get_param_names 获取，值为此对象该键的参数值，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，组件参数以 [componentname]__[paramname] 索引，componentname 的所有参数以 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)[source]#

从实例中获取标签值，具有标签层级继承和覆盖。

每个 scikit-base 兼容对象都包含一个标签字典。标签可用于存储关于对象的元数据，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，在对象构造后不会更改。

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，按优先级递减的顺序如下：

在实例构造时，通过 set_tags 或 clone_tags 在实例上设置的标签。

标签名，要检索的标签

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。

参数：

tag_namestr: tag_value_defaultany type, optional; default=None
未找到标签时的默认/回退值: raise_errorbool
未找到标签时是否引发 ValueError: tag_valueAny

返回值：

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。: ValueError，如果 raise_error 为 True。

引发：

当 tag_name 不在 self.get_tags().keys() 中时，将引发 ValueError。: 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任何 _tags 属性的键，或通过 set_tags 或 clone_tags 设置的标签。

从实例中获取标签，具有标签层级继承和覆盖。

每个 scikit-base 兼容对象都包含一个标签字典。标签可用于存储关于对象的元数据，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，在对象构造后不会更改。

collected_tagsdict

值是对应的标签值，覆盖按优先级递减的顺序如下：

在实例构造时，通过 set_tags 或 clone_tags 在实例上设置的标签。

标签名，要检索的标签

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。

返回值：

标签名称 : 标签值对字典。通过嵌套继承从 _tags 类属性收集，然后应用 _tags_dynamic 对象属性中的任何覆盖和新标签。: is_composite()[source]#

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。

检查对象是否由其他 BaseObject 组成。

composite: bool

返回值：

对象是否有任何参数的值是 BaseObject 的派生实例。: 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。

bool

返回值：

估计器是否已 fit。: classmethod load_from_path(serial)[source]#

serialZipFile(path).open(“object”) 的结果

从文件位置加载对象。

参数：

反序列化的自身，结果是在 path 输出的 cls.save(path)。

返回值：

classmethod load_from_serial(serial)[source]#

serialcls.save(None) 输出的第一个元素

从序列化内存容器加载对象。

参数：

反序列化的自身，结果是 serial，来自 cls.save(None)。

返回值：

predict(X)[source]#

用于预测标签的时间序列。

预测 X 中时间序列的标签。

参数：

Xsktime 兼容的时间序列面板数据容器，Scitype 为 Panel

predict_proba(X)[source]#

可以是 Panel scitype 的任何 mtype，例如

pd-multiindex: pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一层为实例索引，第二层为时间索引
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

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

规范请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详见标签参考。

返回值：

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]。

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。

1D np.npdarray，如果 y 为单变量（一维）；否则，与拟合中传入的 y 类型相同

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

预测 X 中时间序列的标签概率。

参数：

Xsktime 兼容的时间序列面板数据容器，Scitype 为 Panel

predict_proba(X)[source]#

可以是 Panel scitype 的任何 mtype，例如

pd-multiindex: pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一层为实例索引，第二层为时间索引
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

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

规范请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详见标签参考。

返回值：

y_pred2D np.array of int, of shape [n_instances, n_classes]: reset()[source]#

导致将 self 设置为其在构造函数调用后立即具有的状态，具有相同的超参数。通过 set_config 设置的配置值也保留。

将对象重置到干净的初始化后状态。

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" 的属性被保留。
配置属性，配置保持不变。也就是说，reset 前后 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。

等同于 clone，不同之处在于 reset 修改 self 而非返回一个新对象。

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

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。

返回值：

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

行为：如果 path 为 None，则返回一个内存中的序列化自身；如果 path 是文件位置，则将自身以 zip 文件形式存储在该位置

将序列化的自身保存到类字节对象或 (.zip) 文件。

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。此类使用默认序列化 (pickle)。

pathNone or file location (str or Path)

参数：

如果为 None，则将自身保存到内存对象；如果为文件位置，则将自身保存到该文件位置。如果

path="estimator"，则将在当前工作目录创建一个名为 estimator.zip 的 zip 文件。

path="/home/stored/estimator"，则一个名为 estimator.zip 的 zip 文件将
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。

如果 path 为 None - 内存中的序列化自身

返回值：

如果 path 为文件位置 - 包含该文件引用的 ZipFile
score(X, y) → float[source]#

用于评估预测标签的时间序列。

根据 X 上预测的标签评估真实标签的得分。

参数：

Xsktime 兼容的时间序列面板数据容器，Scitype 为 Panel

float, predict(X) 与 y 的准确率得分

可以是 Panel scitype 的任何 mtype，例如

pd-multiindex: pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一层为实例索引，第二层为时间索引
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

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

规范请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详见标签参考。

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，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

返回值：

set_config(**config_dict)[source]#

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

将配置标志设置为给定值。

参数：

config_dictdict

displaystr, “diagram” (默认), or “text”

jupyter 内核如何显示自身的实例

“diagram” = html 框图表示

“text” = 字符串输出
print_changed_onlybool, default=True

打印自身时是否只列出与默认值不同的自身参数 (False)，或者所有参数名称和值 (False)。不嵌套，即仅影响自身，不影响组件估计器。

warningsstr, “on” (默认), or “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”

广播/矢量化时用于并行的后端，选项之一：

“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={} (no parameters passed)

作为配置传递给并行后端的可选额外参数。有效的键取决于 backend:parallel 的值

“None”: 没有额外参数，backend_params 被忽略

“None”：无附加参数，忽略 backend_params
“loky”、“multiprocessing”和“threading”：默认的 joblib 后端。此处可传递 joblib.Parallel 的任何有效键，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。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，其他参数将默认为 joblib 的默认值。
“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 的有效键的字典
- “shutdown_ray”：布尔值，默认为 True；False 会阻止 ray 在并行化后
  关闭。
- “logger_name”：字符串，默认为“ray”；要使用的日志记录器名称。
- “mute_warnings”：布尔值，默认为 False；如果为 True，则抑制警告

返回值：

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(**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。对于复合对象（即包含其他对象的对象），可以使用参数键字符串 <component>__<parameter> 来访问组件 <component> 中的 <parameter>。如果引用清晰无歧义（例如，没有两个组件参数同名为 <parameter>），则也可以使用字符串 <parameter>，不带 <component>__。

参数：

**params字典: BaseObject 参数，键必须是 <component>__<parameter> 字符串。__ 后缀如果相对于 get_params 键是唯一的，则可以作为完整字符串的别名。

返回值：

self对自身的引用（参数设置后）

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

设置自身的 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 从链式哈希中采样，并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，或者任何组件都没有 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_state整数，RandomState 实例或 None，默认为 None

用于控制随机整数生成的伪随机数生成器。传入整数可在多次函数调用中获得可复现的输出。

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，则只设置 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_policy字符串，{"copy", "keep", "new"} 之一，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，

由输入的 random_state 派生，通常与输入不同。

返回值：

self对自身的引用

set_tags(**tag_dict)[source]#

将实例级别的标签覆盖设置为给定值。

每个 scikit-base 兼容对象都包含一个标签字典，用于存储关于对象的元数据。

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、构造期间或通过 __init__ 直接构造后调用。

当前标签值可通过 get_tags 或 get_tag 检查。

参数：

**tag_dict字典: 标签名称：标签值对的字典。

返回值：

自身: 对自身的引用。