IndividualBOSS#

class IndividualBOSS(window_size=10, word_length=8, norm=False, alphabet_size=2, save_words=False, typed_dict='deprecated', use_boss_distance=True, feature_selection='none', n_jobs=1, random_state=None)[source]#

单个符号傅里叶近似符号包 (IndividualBOSS)。

SFA 符号包集成：单个 BOSS Schaffer 的实现，它是 BOSS 集成的基础分类器。

实现 Schäfer (2015) 的单个 BOSS 模型。 [1]

这是 BOSS 集成中每个分类器的底层分类器。

概述：输入长度为“m”的“n”个序列，IndividualBoss 执行 SFA 变换以形成离散化词的稀疏字典。结果字典与 BOSS 距离函数一起用于 1-最近邻分类。

Fit 过程涉及找到“n”个直方图。

Predict 使用 1-最近邻算法和定制的 BOSS 距离函数。

参数:

window_sizeint: 在 BOSS 算法中使用的窗口大小。
word_lengthint: 在 BOSS 算法中使用的词长度。
normbool, 默认为 False: 是否通过丢弃第一个傅里叶系数来标准化词。
alphabet_size默认为 2: 每个词可能字母（值）的数量。
save_wordsbool, 默认为 True: 即使在返回词典后，是否在 SFA 变换中保留词的 NumPy 数组。如果为 True，则保存数组，这可以缩短使用较短的 word_length 计算词典的时间（因为可以移除最后的“n”个字母）。
n_jobsint, 默认为 1: 用于并行运行 fit 和 predict 的作业数量。 -1 表示使用所有处理器。
random_stateint 或 None, 默认为 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。

另请参阅

BOSSEnsemble, ContractableBOSS

说明

有关 Java 版本，请参阅 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 IndividualBOSS
>>> 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 = IndividualBOSS() 
>>> clf.fit(X_train, y_train) 
IndividualBOSS(...)
>>> 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])	将标签从另一个对象克隆为动态覆盖。
`create_test_instance`([parameter_set])	使用第一个测试参数集构造类的一个实例。
`create_test_instances_and_names`([parameter_set])	创建所有测试实例及其名称列表。
`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 中的序列标签。
`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，具有来自父类的标签级继承。
`get_class_tags`()	从类中获取类标签，具有来自父类的标签级继承。
`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, ...])	从实例中获取标签值，具有标签级继承和覆盖。
`get_tags`()	从实例中获取标签，具有标签级继承和覆盖。
`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 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)	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 self 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。

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，应将 is_fitted 属性设置为 True。

如果不是，则引发 NotFittedError。

参数:

method_namestr, 可选: 调用此方法的函数的名称。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 sklearn.clone 的 self。

等效于使用 self 的参数构造一个 type(self) 的新实例，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，等效于调用 cloned_self.set_config(**self.get_config())。

其值也等效于调用 self.reset，区别在于 clone 返回一个新对象，而不是像 reset 那样修改 self。

引发:

如果克隆由于 __init__ 错误而不符合规范，则会引发 RuntimeError。

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

将标签从另一个对象克隆为动态覆盖。

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，在对象构造后不会改变。

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、构造期间或通过 __init__ 构造后直接调用 clone_tags 方法。

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

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

可以通过 get_tags 或 get_tag 检查当前标签值。

参数:

estimator:class:BaseObject 或派生类的实例
tag_namesstr 或 str 列表, 默认为 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: 对 self 的引用。

classmethod create_test_instance(parameter_set=default)[source]#

使用第一个测试参数集构造类的一个实例。

参数:

parameter_setstr, 默认为“default”: 要返回的测试参数集的名称，用于测试。如果未为值定义特殊参数，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)[source]#

创建所有测试实例及其名称列表。

参数:

parameter_setstr, 默认为“default”: 要返回的测试参数集的名称，用于测试。如果未为值定义特殊参数，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 个元素是测试中第 i 个 obj 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)[source]#

将时间序列分类器拟合到训练数据。

状态变更: 将状态更改为“已拟合”。
写入 self: 将 self.is_fitted 设置为 True。设置以“_”结尾的拟合模型属性。

参数:

Xsktime 兼容的 Panel scitype 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，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]
或任何其他支持的 Panel mtype

有关 mtype 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。

ysktime 兼容的 Table scitype 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] 用于拟合的类别标签 0 阶索引对应于 X 中的实例索引 1 阶索引（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 self 的引用。

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

拟合并预测 X 中的序列标签。

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。

如果 change_state=True，写入 self: 将 self.is_fitted 设置为 True。设置以“_”结尾的拟合模型属性。

如果 change_state=False，则不更新状态。

参数:

Xsktime 兼容的 Panel scitype 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，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]
或任何其他支持的 Panel mtype

有关 mtype 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。

ysktime 兼容的 Table scitype 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] 用于拟合的类别标签 0 阶索引对应于 X 中的实例索引 1 阶索引（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, 默认为 None

None : 预测是样本内预测，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 (默认为 True)

如果为 False，则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，将用完整的 X 和 y 拟合 self，最终状态将等效于运行 fit(X, y)

返回:

y_predsktime 兼容的 Table scitype 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]。

0 阶索引对应于 X 中的实例索引，1 阶索引（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捷方法。

如果 change_state=True，写入 self: 将 self.is_fitted 设置为 True。设置以“_”结尾的拟合模型属性。

如果 change_state=False，则不更新状态。

参数:

Xsktime 兼容的 Panel scitype 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，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]
或任何其他支持的 Panel mtype

有关 mtype 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。

ysktime 兼容的 Table scitype 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] 用于拟合的类别标签 0 阶索引对应于 X 中的实例索引 1 阶索引（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, 默认为 None

None : 预测是样本内预测，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 (默认为 True)

如果为 False，则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，将用完整的 X 和 y 拟合 self，最终状态将等效于运行 fit(X, y)

返回:

y_pred2D np.array of int, 形状为 [n_instances, n_classes]: 预测的类别标签概率 0 阶索引对应于 X 中的实例索引 1 阶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，具有来自父类的标签级继承。

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，仅考虑类级别标签值和覆盖来检索标签值。

它从对象中返回名称为 tag_name 的标签值，并考虑标签覆盖，优先级降序如下

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，

按照继承顺序。

不考虑通过 set_tags 或 clone_tags 在实例上设置的动态标签覆盖。

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: tag_name 标签在 self 中的值。如果未找到，则返回 tag_value_default。

classmethod get_class_tags()[source]#

从类中获取类标签，具有来自父类的标签级继承。

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，在对象构造后不会改变。

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值。

它返回一个字典，其键是类或其任何父类中设置的 _tags 的任何属性的键。

值是相应的标签值，覆盖的优先级降序如下

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，

按照继承顺序。

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 在实例上设置的动态标签覆盖。

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。不会被 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[source]#

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类属性 _config 中设置，并被通过 set_config 设置的动态配置覆盖。

在 clone 或 reset 调用下保留配置。

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 对象属性收集任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

获取已拟合参数。

所需状态: 要求状态为“已拟合”。

参数:

deepbool, 默认为 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 类型参数）。
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_paramsstr 值键的 dict

已拟合参数字典，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 获取一样，值是该键的已拟合参数值，属于此对象
如果 deep=True，还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]#

获取对象的默认参数。

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)[source]#

获取对象的参数名称。

参数:

sortbool, 默认为 True: 是否按字母顺序排序（True）返回参数名称，或按其在类 __init__ 中出现的顺序（False）返回。

返回:

param_names: list[str]: cls 的参数名称列表。如果 sort=False，则顺序与它们在类 __init__ 中出现的顺序相同。如果 sort=True，则按字母顺序排序。

get_params(deep=True)[source]#

获取此对象的参数值字典。

参数:

deepbool, 默认为 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 类型参数）。
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:

paramsstr 值键的 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 获取一样，值是该键的参数值，属于此对象，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)[source]#

从实例中获取标签值，具有标签级继承和覆盖。

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，在对象构造后不会改变。

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，并考虑标签覆盖，优先级降序如下

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

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，

按照继承顺序。

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

返回:

tag_valueAny: tag_name 标签在 self 中的值。如果未找到，则在 raise_error 为 True 时引发错误，否则返回 tag_value_default。

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()[source]#

从实例中获取标签，具有标签级继承和覆盖。

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，在对象构造后不会改变。

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 的任何属性的键，或者通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，覆盖的优先级降序如下

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

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，

按照继承顺序。

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。

classmethod get_test_params(parameter_set=default)[source]#

返回估计器的测试参数设置。

参数:

parameter_setstr, 默认为“default”: 要返回的测试参数集的名称，用于测试。如果未为值定义特殊参数，将返回 "default" 集。对于分类器，应提供一组“默认”参数用于一般测试，并提供一组“results_comparison”用于与先前记录的结果进行比较，如果一般集未生成适合比较的概率。

返回:

paramsdict 或 dict 列表, 默认为 {}: 用于创建类的测试实例的参数。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（或唯一一个）字典。

is_composite()[source]#

检查对象是否由其他 BaseObjects 组成。

复合对象是一个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: 对象是否具有其值是 BaseObject 后代实例的任何参数。

property is_fitted[source]#

是否已调用 fit。

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:

bool: 估计器是否已 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，其输出位于 path，来自 cls.save(path)

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，其输出为 serial，来自 cls.save(None)

predict(X)[source]#

预测 X 中序列的标签。

参数:

Xsktime 兼容的 Panel scitype 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，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]
或任何其他支持的 Panel mtype

有关 mtype 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_predsktime 兼容的 Table scitype 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]。

0 阶索引对应于 X 中的实例索引，1 阶索引（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 中传入的 y 类型相同

predict_proba(X)[source]#

预测 X 中序列的标签概率。

参数:

Xsktime 兼容的 Panel scitype 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，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]
或任何其他支持的 Panel mtype

有关 mtype 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 of int, 形状为 [n_instances, n_classes]: 预测的类别标签概率 0 阶索引对应于 X 中的实例索引 1 阶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()[source]#

将对象重置为干净的初始化后状态。

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

一个 reset 调用会删除任何对象属性，除了

超参数 = 写入 self 的 __init__ 的参数，例如 self.paramname，其中 paramname 是 __init__ 的一个参数
包含双下划线的对象属性，即字符串“__”。例如，名为“__myattr”的属性会保留。
配置属性，配置保持不变。也就是说，reset 前后的 get_config 结果相同。

类方法和对象方法，以及类属性也不受影响。

等效于 clone，区别在于 reset 修改 self 而不是返回一个新对象。

在调用 self.reset() 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: 类的实例重置为初始化后的干净状态，但保留当前超参数值。

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，则返回一个内存中的序列化对象自身；如果 path 是一个文件位置，则将对象自身作为 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 - 包含对象自身的类，即 type(self) _obj - 序列化的对象自身。此类使用默认序列化 (pickle)。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，对象自身将保存到内存中的一个对象；如果为文件位置，对象自身将保存到该文件位置。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”，则将在 /home/stored/

中存储一个名为 estimator.zip 的 zip 文件。

serialization_format: str，默认值 = “pickle”

用于序列化的模块。可用选项包括 “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自身
如果 path 为文件位置 - 引用该文件的 ZipFile

score(X, y) → float[source]#

根据 X 上的真实标签对预测标签进行评分。

参数:

Xsktime 兼容的 Panel scitype 时间序列面板数据容器

要对其预测标签进行评分的时间序列。

可以是 Panel scitype 的任何 mtype，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]
或任何其他支持的 Panel mtype

有关 mtype 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。

ysktime 兼容的 Table scitype 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] 用于拟合的类别标签 0 阶索引对应于 X 中的实例索引 1 阶索引（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 相比的准确率评分

set_config(**config_dict)[source]#

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。下面列出了有效的配置、值及其含义

displaystr，“diagram”（默认）或“text”

jupyter 内核如何显示对象自身的实例

“diagram” = html 框图表示
“text” = 字符串打印输出

print_changed_onlybool，默认值=True

打印对象自身时，是仅列出与默认值不同的自身参数（如果为 True），还是列出所有参数名称和值（如果为 False）。不进行嵌套，即仅影响对象自身，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/矢量化时用于并行化的后端，可选项包括

“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，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，默认值={}（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，此处可以传递任何对 joblib.Parallel 有效的键，例如 n_jobs，但 backend 除外，它直接由 backend:parallel 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。此处可以传递任何对 joblib.Parallel 有效的键，例如 n_jobs，在这种情况下，必须将 backend 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”：可以传递任何对 dask.compute 有效的键，例如 scheduler
“ray”：可以传递以下键
- “ray_remote_args”：ray.init 有效键的字典
- “shutdown_ray”：bool，默认值=True；False 防止 ray
  在并行化后关闭。
- “logger_name”：str，默认值=”ray”；要使用的日志记录器名称。
- “mute_warnings”：bool，默认值=False；如果为 True，则抑制警告

返回:

self对对象自身的引用。

说明

更改对象状态，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>。如果引用是明确的（例如，没有两个组件参数具有相同的名称 <parameter>），也可以使用字符串 <parameter>，而不带 <component>__。

参数:

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

返回:

self对对象自身的引用（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 找到名为 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 从链式哈希中采样得到，并保证种子随机生成器的伪随机独立性。

根据 self_policy，应用于对象自身的 random_state 参数；当且仅当 deep=True 时，应用于其余组件对象。

注意：即使对象自身没有 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, 默认值=None

用于控制随机整数生成的伪随机数生成器。传递 int 可在多次函数调用中获得可重现的输出。

deepbool, 默认为 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，则仅设置对象自身的 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，可选项之一 {“copy”, “keep”, “new”}，默认值=”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 派生而来，通常与输入值不同

返回:

self对对象自身的引用

set_tags(**tag_dict)[source]#

将实例级别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。

标签是特定于对象自身实例的键值对，它们是静态标志，在对象构造后不会更改。

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，字典值是要设置标签的值。

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

可以通过 get_tags 或 get_tag 检查当前标签值。

参数:

**tag_dictdict: 标签名称 : 标签值对的字典。

返回:

自身: 对自身的引用。