BOSSVSClassifierPyts

class BOSSVSClassifierPyts(word_size=4, n_bins=4, window_size=10, window_step=1, anova=False, drop_sum=False, norm_mean=False, norm_std=False, strategy='quantile', alphabet=None, numerosity_reduction=True, use_idf=True, smooth_idf=False, sublinear_tf=True)

向量空间中的 Bag-of-SFA 符号，来自 pyts。

直接接口到 pyts.classification.BOSSVS，接口类的作者是 johannfaouzi。

使用 Bag-of-SFA 符号 (BOSS) 算法将每个时间序列转换为直方图。然后，对于每个类，将直方图相加并计算 tf-idf 向量。新样本的预测类别是其 tf 向量与每个类的 tf-idf 向量之间余弦相似度最高的类别。

参数：

word_sizeint（默认值 = 4）

每个词的大小。

n_binsint（默认值 = 4）

要生成的 bin 数量。必须在 2 到 26 之间。

window_sizeint 或 float（默认值 = 10）

滑动窗口的大小。如果为 float，则表示每个时间序列大小的百分比，并且必须介于 0 和 1 之间。窗口大小将计算为 ceil(window_size * n_timestamps)。

window_stepint 或 float（默认值 = 1）

滑动窗口的步长。如果为 float，则表示每个时间序列大小的百分比，并且必须介于 0 和 1 之间。窗口大小将计算为 ceil(window_step * n_timestamps)。

anovabool（默认值 = False）

如果为 True，则通过单因素方差分析 (ANOVA) 测试选择傅里叶系数。如果为 False，则选择前几个傅里叶系数。

drop_sumbool（默认值 = False）

如果为 True，则删除第一个傅里叶系数（即子序列的总和）。否则保留。

norm_meanbool（默认值 = False）

如果为 True，则在缩放之前将每个子序列中心化。

norm_stdbool（默认值 = False）

如果为 True，则将每个子序列缩放到单位方差。

strategystr（默认值 = ‘quantile’）

用于定义 bin 宽度的策略

• ‘uniform’：每个样本中的所有 bin 具有相同的宽度

• ‘quantile’：每个样本中的所有 bin 具有相同数量的点

• ‘normal’：bin 边缘是标准正态分布的分位数

• ‘entropy’：使用信息增益计算 bin 边缘

alphabetNone、‘ordinal’ 或 array-like，形状 = (n_bins,)

要使用的字母表。如果为 None，则使用拉丁字母表的前 n_bins 个字母。

numerosity_reductionbool（默认值 = True）

如果为 True，则样本中除连续相同单词的最后一个之外，删除所有其他连续相同的单词。

use_idfbool（默认值 = True）

启用逆文档频率重新加权。

smooth_idfbool（默认值 = False）

通过给文档频率加一来平滑 idf 权重，就像看到一个额外文档，其中集合中的每个词都只出现一次一样。防止零除。

sublinear_tfbool（默认值 = True）

应用亚线性 tf 缩放，即将 tf 替换为 1 + log(tf)。

属性：

idf_array，形状 = (n_features,)，或 None

当 use_idf=True 时学习到的 idf 向量（全局词权重），否则为 None。

tfidf_array，形状 = (n_classes, n_words)

词-文档矩阵。

vocabulary_dict

特征索引到词的映射。

参考文献

[1]

P. Schäfer, “Scalable Time Series Classification”. Data Mining and Knowledge Discovery, 30(5), 1273-1298 (2016)。

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])	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该类的实例。
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，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 self 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，包括标签级别的继承和覆盖。
get_tags()	从实例获取标签，包括标签级别的继承和覆盖。
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()	将对象重置为初始状态后的干净状态。
save([path, serialization_format])	将序列化后的 self 保存到字节类对象或 (.zip) 文件。
score(X, y)	评估预测标签与 X 上的真实标签之间的分数。
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)	将实例级别的标签覆盖设置为给定值。

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，则返回 "default" 集。

返回：

paramsdict 或 dict 列表，默认值 = {}

用于创建类测试实例的参数。每个 dict 都是构造一个“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）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。在调用对象的 fit 方法时，应将 is_fitted 属性设置为 True。

如果不是，则引发 NotFittedError。

参数：

method_namestr，可选

调用此方法的名称。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的不同对象，处于后初始化状态。此函数等同于返回 self 的 sklearn.clone。

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))。

如果配置设置在 self 上，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())。

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

引发：

如果克隆不符合规范，则抛出 RuntimeError，原因可能是 __init__ 有问题。

clone_tags(estimator, tag_names=None)

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 方法只能在对象的 __init__ 方法中，在构造期间或直接在通过 __init__ 构造之后调用。

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

tag_names 的默认设置会将 estimator 中的所有标签写入到 self。

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 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造该类的实例。

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，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')

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。如果未为某个值定义特殊参数，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 个元素是测试中 obj 的第 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)

将时间序列分类器拟合到训练数据。

状态变化

将状态更改为“已拟合”。

写入 self

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

用于拟合估计器的时间序列。

可以是 `Panel` scitype 的任何 mtype 格式，例如

• pd-multiindex：pd.DataFrame，列 = 变量，索引 = pd.MultiIndex，第一层 = 实例索引，第二层 = 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]

• 或任何其他受支持的 Panel mtype 格式

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，详情请参阅标签参考。

ysktime 兼容的表格数据容器，Table scitype

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 维索引对应于 X 中的实例索引，第 1 维索引（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：

selfself 的引用。

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

拟合并预测 X 中序列的标签。

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。

如果 change_state=True，写入 self

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

用于拟合和预测标签的时间序列。

可以是 `Panel` scitype 的任何 mtype 格式，例如

• pd-multiindex：pd.DataFrame，列 = 变量，索引 = pd.MultiIndex，第一层 = 实例索引，第二层 = 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]

• 或任何其他受支持的 Panel mtype 格式

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，详情请参阅标签参考。

ysktime 兼容的表格数据容器，Table scitype

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 维索引对应于 X 中的实例索引，第 1 维索引（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 折中获得。返回的 y 是所有测试折预测的并集，cv 测试折必须不相交

• 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 如果存在则取自 self，否则 x=None

change_statebool，可选（默认值=True）

• 如果为 False，则不会改变分类器的状态，即 fit/predict 序列以副本运行，self 不改变

• 如果为 True，则会将 self 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_predsktime 兼容的表格数据容器，Table scitype 格式

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

1D np.npdarray，如果 y 是单变量（一维）；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。

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。

如果 change_state=True，写入 self

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

用于拟合和预测标签的时间序列。

可以是 `Panel` scitype 的任何 mtype 格式，例如

• pd-multiindex：pd.DataFrame，列 = 变量，索引 = pd.MultiIndex，第一层 = 实例索引，第二层 = 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]

• 或任何其他受支持的 Panel mtype 格式

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，详情请参阅标签参考。

ysktime 兼容的表格数据容器，Table scitype

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 维索引对应于 X 中的实例索引，第 1 维索引（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 折中获得。返回的 y 是所有测试折预测的并集，cv 测试折必须不相交

• 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 如果存在则取自 self，否则 x=None

change_statebool，可选（默认值=True）

• 如果为 False，则不会改变分类器的状态，即 fit/predict 序列以副本运行，self 不改变

• 如果为 True，则会将 self 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_predint 类型的 2D np.array，形状为 [n_instances, n_classes]

预测的类别标签概率。第 0 维索引对应于 X 中的实例索引，第 1 维索引对应于类索引，顺序与 self.classes_ 中相同。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 scikit-base 兼容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，它只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 的标签的值，考虑标签覆盖，优先级降序如下：

1. 设置在类的 _tags 属性中的标签。

2. 设置在父类 _tags 属性中的标签，

按继承顺序。

不考虑通过 set_tags 或 clone_tags 设置的实例上的动态标签覆盖，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_default任意类型

如果未找到标签，则为默认/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()

从类中获取类标签，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，它只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，其键是设置在类或其任何父类中的任何 _tags 属性的键。

值是相应的标签值，按优先级降序的覆盖顺序如下：

1. 设置在类的 _tags 属性中的标签。

2. 设置在父类 _tags 属性中的标签，

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。

不考虑通过 set_tags 或 clone_tags 设置的实例上的动态标签覆盖，这些覆盖定义在实例上。

要包括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。不会被通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()

获取 self 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，这些配置会覆盖默认配置。

默认配置设置在类或其父类的 _config 类属性中，并被通过 set_config 设置的动态配置覆盖。

在 clone 或 reset 调用下，配置得以保留。

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，然后来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)

获取已拟合参数。

所需状态

要求状态为“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，将返回此对象的参数名：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：值字典，但不包括组件的已拟合参数。

返回：

fitted_paramsstr 类型键的 dict

已拟合参数的字典，参数名：参数值键值对包括

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

• 如果 deep=True，也包含组件参数的键/值对。组件的参数索引为 [componentname]__[paramname]。componentname 的所有参数都显示为 paramname 及其值

• 如果 deep=True，也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 __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：

sort布尔值，默认为 True

是否按字母顺序排序返回参数名称（True），还是按它们在类的 __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，则按它们在类的 __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)

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 : 值字典，包括组件的参数（= 值为 BaseObject 的参数）。

• 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：

params键为字符串的字典

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 获取的参数一样，值是该键对应的参数值，此对象的值始终与构造时传递的值相同。

• 如果 deep=True，也包含组件参数的键/值对。组件的参数索引为 [componentname]__[paramname]。componentname 的所有参数都显示为 paramname 及其值

• 如果 deep=True，也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，包括标签级别的继承和覆盖。

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为 tag_name 的单个标签的值，同时考虑标签覆盖，优先级按以下降序排列

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

在实例构建时。

2. 设置在类的 _tags 属性中的标签。

3. 设置在父类 _tags 属性中的标签，

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；默认为 None

如果找不到标签，则使用的默认/回退值

raise_error布尔值

当找不到标签时是否引发 ValueError

返回：

tag_value任意类型

self 中 tag_name 标签的值。如果找不到，并且 raise_error 为 True，则引发错误，否则返回 tag_value_default。

引发：

如果 raise_error 为 True，则引发 ValueError。

如果 tag_name 不在 self.get_tags().keys() 中，则会引发 ValueError。

get_tags()

从实例获取标签，包括标签级别的继承和覆盖。

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_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，或者通过 set_tags 或 clone_tags 设置的标签的键。

值是相应的标签值，按优先级降序的覆盖顺序如下：

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

在实例构建时。

2. 设置在类的 _tags 属性中的标签。

3. 设置在父类 _tags 属性中的标签，

按继承顺序。

返回：

collected_tags字典

标签名 : 标签值 对的字典。通过嵌套继承从 _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。

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。在实例上调用此方法，因为这可能因实例而异。

返回：

composite: 布尔值

对象是否包含任何参数，其值是 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，该属性在对象构建期间应初始化为 ``False，并在调用对象的 fit 方法时设置为 True。

返回：

布尔值

估计器是否已拟合（fit）。

classmethod load_from_path(serial)

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，其结果位于路径 path，由 cls.save(path) 生成

classmethod load_from_serial(serial)

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，其结果为 serial，由 cls.save(None) 生成

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

用于预测标签的时间序列。

可以是 `Panel` scitype 的任何 mtype 格式，例如

• pd-multiindex：pd.DataFrame，列 = 变量，索引 = pd.MultiIndex，第一层 = 实例索引，第二层 = 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]

• 或任何其他受支持的 Panel mtype 格式

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，详情请参阅标签参考。

返回：

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

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

1D np.npdarray，如果 y 是单变量（一维）；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 scitype 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` scitype 的任何 mtype 格式，例如

• pd-multiindex：pd.DataFrame，列 = 变量，索引 = pd.MultiIndex，第一层 = 实例索引，第二层 = 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]

• 或任何其他受支持的 Panel mtype 格式

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，详情请参阅标签参考。

返回：

y_predint 类型的 2D np.array，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()

将对象重置为初始状态后的干净状态。

将 self 设置为构造函数调用后的状态，保留相同的超参数。通过 set_config 设置的配置值也会被保留。

reset 调用会删除所有对象属性，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，配置会保持不变。也就是说，在 reset 前后调用 get_config 的结果是相同的。

类方法和对象方法，以及类属性也不会受到影响。

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

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：

self

类实例被重置到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')

将序列化后的 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对象 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 zip 文件，包含以下内容：_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，self 将保存到内存对象中；如果是文件位置，则将 self 保存到该文件位置。例如

• path=”estimator” 则会在当前工作目录 (cwd) 下创建一个名为 estimator.zip 的 zip 文件。

• path=”/home/stored/estimator” 则会在 `/home/stored/` 下创建一个名为 estimator.zip 的 zip 文件。

存储在 /home/stored/ 中。

serialization_format: str, 默认为 “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 - 内存中的序列化对象 self

如果 path 是文件位置 - 引用该文件的 ZipFile 对象

score(X, y) → float

评估预测标签与 X 上的真实标签之间的分数。

参数：

XPanel scitype 的 sktime 兼容时间序列面板数据容器

用于评估预测标签的时间序列。

可以是 `Panel` scitype 的任何 mtype 格式，例如

• pd-multiindex：pd.DataFrame，列 = 变量，索引 = pd.MultiIndex，第一层 = 实例索引，第二层 = 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]

• 或任何其他受支持的 Panel mtype 格式

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，详情请参阅标签参考。

ysktime 兼容的表格数据容器，Table scitype

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 维索引对应于 X 中的实例索引，第 1 维索引（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：

浮点数，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

display字符串，“diagram”（默认）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_only布尔值，默认为 True

打印 self 时是否只列出与默认值不同的 self 参数（True），还是列出所有参数名称和值（False）。不进行嵌套，即只影响 self，不影响组件估计器。

warnings字符串，“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:parallel字符串，可选，默认为“None”

广播/向量化时用于并行处理的后端，可选值之一为

• “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:params字典，可选，默认为 {}（未传递参数）

作为配置传递给并行化后端的额外参数。有效键取决于 backend:parallel 的值

• “None”：没有额外参数，backend_params 被忽略

• “loky”、“multiprocessing”和“threading”：默认 joblib 后端。这里可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，除了 backend（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。这里可以传递 joblib.Parallel 的任何有效键，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，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 有效键的字典

  • “shutdown_ray”：布尔值，默认为 True；False 可防止 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：

self对 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，也可以使用不带 <component>__ 的字符串 <parameter>，例如，没有两个组件的参数名称相同。

参数：

**params字典

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

返回：

self对 self 的引用（参数设置后）

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

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，并使用 sample_dependent_seed 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，或者没有组件具有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 对象，即使是没有 random_state 参数的对象。

参数：

random_stateint, RandomState 实例或 None，默认为 None

用于控制生成随机整数的伪随机数生成器。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

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

self_policy字符串，可选值为 {“copy”, “keep”, “new”} 之一，默认为“copy”

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

• “keep”：self.random_state 保持不变

• “new”：将 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)

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，在对象构建后不会改变。它们可用于元数据检查或控制对象的行为。

set_tags 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 方法只能在对象的 __init__ 方法中调用，即在构建期间或通过 __init__ 直接构建后调用。

当前的标签值可以通过 get_tags 或 get_tag 检查。

参数：

**tag_dict字典

标签名: 标签值 对的字典。

返回：

self

对 self 的引用。