IndividualTDE

类 IndividualTDE(window_size=10, word_length=8, norm=False, levels=1, igb=False, alphabet_size=4, bigrams=True, dim_threshold=0.85, max_dims=20, typed_dict=True, n_jobs=1, random_state=None)

单个 TDE 分类器，是 Bag of SFA Symbols (BOSS) 模型的扩展。

TDE 分类器的基础分类器。实现了 Middlehurst (2021) 的单个 TDE 基础模型。 [R89e83b1e1ed5-1]

概述：输入长度为“m”的“n”个时间序列，IndividualTDE 执行 SFA 转换，形成离散化词的稀疏字典。生成的字典在 1-最近邻中使用直方图交集距离函数。

fit 过程涉及寻找“n”个直方图。

predict 使用直方图交集距离函数与 1-最近邻。

参数:

window_size整型，默认为 10

在 SFA 转换中使用的窗口大小。

word_length整型，默认为 8

在 SFA 转换中使用的词长度。

norm布尔型，默认为 False

是否通过丢弃第一个傅里叶系数来标准化 SFA 词。

levels整型，默认为 1

SFA 转换的空间金字塔层级数。

igb布尔型，默认为 False

SFA 转换时是使用信息增益分箱 (IGB) 还是多系数分箱 (MCB)。

alphabet_size默认为 4

每个词的可能字母（值）数量。

bigrams布尔型，默认为 False

是否在 SFA 转换中记录词的双词组。

dim_threshold浮点型，默认为 0.85

从每个维度提取的词中，作为最高准确度维度比例的准确度阈值。仅适用于多元数据。

max_dims整型，默认为 20

提取词的最大维度数。仅适用于多元数据。

typed_dict布尔型，默认为 True

使用 numba TypedDict 存储词计数。可能增加内存使用量，但对于大型数据集会更快。

n_jobs整型，默认为 1

用于 fit 和 predict 并行运行的作业数。-1 表示使用所有处理器。

random_state整型或 None，默认为 None

随机种子，整型。

属性:

n_classes_整型

类别数。

classes_列表

类别标签。

n_instances_整型

训练样本数。

n_dims_整型

每个样本的维度数。

series_length_整型

每个时间序列的长度。

另请参阅

TemporalDictionaryEnsemble, SFA

注意

Java 版本请参阅 TSML。

参考文献

[1]

Matthew Middlehurst, James Large, Gavin Cawley and Anthony Bagnall “The Temporal Dictionary Ensemble (TDE) Classifier for Time Series Classification”, in proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, 2020.

示例

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

方法

check_is_fitted([method_name])	检查估计器是否已 fit。
clone()	获取具有相同超参数和配置的对象克隆。
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])	构造该类的一个实例，使用第一个测试参数集。
create_test_instances_and_names([parameter_set])	创建所有测试实例的列表和它们的名称列表。
fit(X, y)	将时间序列分类器 fit 到训练数据。
fit_predict(X, y[, cv, change_state])	Fit 并预测 X 中序列的标签。
fit_predict_proba(X, y[, cv, change_state])	Fit 并预测 X 中序列的标签概率。
get_class_tag(tag_name[, tag_value_default])	从类获取类标签值，并继承父类的标签层级。
get_class_tags()	从类获取类标签，并继承父类的标签层级。
get_config()	获取对象的配置标志。
get_fitted_params([deep])	获取已 fit 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，并考虑标签层级继承和覆盖。
get_tags()	从实例获取标签，并考虑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])	将序列化的对象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, ...])	为对象设置 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。

check_is_fitted(method_name=None)

检查估计器是否已 fit。

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。

如果不存在，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:

未拟合错误

如果估计器尚未训练。

clone()

获取具有相同超参数和配置的对象克隆。

克隆是另一个不共享引用、处于初始化后状态的对象。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 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，区别在于 clone 返回一个新对象，而 reset 会修改 self。

引发:

如果由于错误的 __init__ 导致克隆不一致，则会引发 RuntimeError。

clone_tags(estimator, tag_names=None)

从另一个对象克隆标签作为动态覆盖。

每个兼容 scikit-base 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。

clone_tags 设置来自另一个对象 estimator 的动态标签覆盖。

应该仅在对象的 __init__ 方法中、构造期间或通过 __init__ 之后直接调用 clone_tags 方法。

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

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

当前标签值可以通过 get_tags 或 get_tag 检查。

estimator一个 :class:BaseObject 或派生类的实例

参数:

tag_namesstr 或 list of str，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

self 的引用。

类方法 create_test_instance(parameter_set='default')

parameter_setstr，默认为 “default”

构造该类的一个实例，使用第一个测试参数集。

参数:

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。

instance具有默认参数的类实例

self

类方法 create_test_instances_and_names(parameter_set='default')

objscls 实例列表

创建所有测试实例的列表和它们的名称列表。

参数:

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。

instance具有默认参数的类实例

self

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)

状态改变

将时间序列分类器 fit 到训练数据。

将状态更改为“fitted”。

写入 self

将 self.is_fitted 设置为 True。设置以“_”结尾的已 fit 模型属性。

XPanel scitype 的 sktime 兼容时间序列面板数据容器

参数:

用于 fit 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

• mtypes 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多元或不等长序列的面板数据，详情请参阅标签参考。

ysktime 兼容表格数据容器，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] 用于拟合的类别标签，第 0 个索引对应 X 中的实例索引，第 1 个索引（如果适用）对应 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对象引用。

self

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

方便的方法，用于生成样本内预测和交叉验证样本外预测。

Fit 并预测 X 中序列的标签。

如果 change_state=True，则写入 self

如果 change_state=False，则不更新状态。

XPanel scitype 的 sktime 兼容时间序列面板数据容器

用于 fit 和预测标签的时间序列。

参数:

用于 fit 估计器的时间序列。

cvNone、整型或 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

• mtypes 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多元或不等长序列的面板数据，详情请参阅标签参考。

ysktime 兼容表格数据容器，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] 用于拟合的类别标签，第 0 个索引对应 X 中的实例索引，第 1 个索引（如果适用）对应 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对象引用。

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 测试折叠必须互不相交

• 整型：等同于 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 取自 self（如果存在），否则 x=None

• change_state布尔型，可选（默认为 True）

如果为 False，则不会更改分类器的状态，即 fit/predict 序列使用副本运行，self 不改变

• 如果为 True，则将 self fit 到完整的 X 和 y，结束状态将等同于运行 fit(X, y)

• y_predTable scitype 的 sktime 兼容表格数据容器

self

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

如果 y 是单变量（一维），则为 1D np.ndarray；否则，与 fit 中传递的 y 类型相同

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

y_pred2D np.array，整型，形状为 [n_instances, n_classes]

Fit 并预测 X 中序列的标签概率。

如果 change_state=True，则写入 self

如果 change_state=False，则不更新状态。

XPanel scitype 的 sktime 兼容时间序列面板数据容器

用于 fit 和预测标签的时间序列。

参数:

用于 fit 估计器的时间序列。

cvNone、整型或 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

• mtypes 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多元或不等长序列的面板数据，详情请参阅标签参考。

ysktime 兼容表格数据容器，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] 用于拟合的类别标签，第 0 个索引对应 X 中的实例索引，第 1 个索引（如果适用）对应 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对象引用。

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 测试折叠必须互不相交

• 整型：等同于 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 取自 self（如果存在），否则 x=None

• change_state布尔型，可选（默认为 True）

如果为 False，则不会更改分类器的状态，即 fit/predict 序列使用副本运行，self 不改变

• 如果为 True，则将 self fit 到完整的 X 和 y，结束状态将等同于运行 fit(X, y)

• y_predTable scitype 的 sktime 兼容表格数据容器

self

预测的类别标签概率 第 0 个索引对应 X 中的实例索引 第 1 个索引对应类别索引，顺序与 self.classes_ 中的相同 条目为预测类别概率，总和为 1

类方法 get_class_tag(tag_name, tag_value_default=None)

每个兼容 scikit-base 的对象都有一个标签字典，用于存储对象的元数据。

从类获取类标签值，并继承父类的标签层级。

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

它返回名称为 tag_name 的标签值，考虑标签覆盖，按以下优先级递减顺序：

在类的 _tags 属性中设置的标签。

1. 在父类的 _tags 属性中设置的标签，

2. 按继承顺序。

不考虑在实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖（这些是在实例上定义的）。

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

tag_namestr

参数:

标签值的名称。

tag_value_default任何类型

如果找不到标签，则使用的默认/回退值。

tag_value

self

self 中名称为 tag_name 的标签的值。如果找不到，则返回 tag_value_default。

类方法 get_class_tags()

get_class_tags 方法是类方法，仅考虑类级别的标签值和覆盖来检索标签的值。

从类获取类标签，并继承父类的标签层级。

每个兼容 scikit-base 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。

clone_tags 设置来自另一个对象 estimator 的动态标签覆盖。

它返回一个字典，其中键是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，覆盖按以下优先级递减顺序：

实例可以根据超参数覆盖这些标签。

1. 在父类的 _tags 属性中设置的标签，

2. 按继承顺序。

不考虑在实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖（这些是在实例上定义的）。

要检索可能包含实例覆盖的标签，请改用 get_tags 方法。

要包含动态标签的覆盖，请使用 get_tags。

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

collected_tagsdict

标签名 : 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()

配置是 self 的键值对，通常用作控制行为的瞬时标志。

获取对象的配置标志。

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。

配置在 clone 或 reset 调用后保留。

config_dictdict

self

配置名称 : 配置值 对的字典。通过嵌套继承从 _config 类属性收集，然后是来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)

所需状态

获取已 fit 参数。

需要状态为“fitted”。

deep布尔型，默认为 True

参数:

是否返回组件的已 fit 参数。

如果为 True，将返回此对象的参数名 : 值字典，包括可 fit 组件（= BaseEstimator 类型参数）的已 fit 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 fit 参数。

• fitted_params键为 str 类型的字典

self

已 fit 参数字典，键为 paramname : paramvalue 包括

始终包含：此对象的所有已 fit 参数，如通过 get_param_names 获取的值是此对象该键对应的已 fit 参数值

• 如果 deep=True，还包含组件参数的键/值对，组件参数的索引为 [componentname]__[paramname]，componentname 的所有参数都以 paramname 的形式出现，并带有其值

• 如果 deep=True，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等

• 类方法 get_param_defaults()

获取对象的参数默认值。

default_dict: dict[str, Any]

self

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。

类方法 get_param_names(sort=True)

获取对象的参数名称。

sort布尔型，默认为 True

参数:

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

param_names: list[str]

self

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)

是否返回组件的参数。

获取此对象的参数值字典。

参数:

是否返回组件的已 fit 参数。

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

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

• params键为 str 类型的字典

self

参数字典，键为 paramname : paramvalue 包括

始终包含：此对象的所有参数，如通过 get_param_names 获取的值是此对象该键对应的参数值，值始终与构造时传递的值相同

• get_tag(tag_name, tag_value_default=None, raise_error=True)

• 如果 deep=True，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等

• 类方法 get_param_defaults()

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，按以下优先级递减顺序：

从实例获取标签值，并考虑标签层级继承和覆盖。

每个兼容 scikit-base 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。

clone_tags 设置来自另一个对象 estimator 的动态标签覆盖。

在实例上通过 set_tags 或 clone_tags 设置的标签，

1. 在实例构造时设置的标签。

要检索的标签名称

2. 在父类的 _tags 属性中设置的标签，

3. 按继承顺序。

不考虑在实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖（这些是在实例上定义的）。

参数:

标签值的名称。

tag_value_default任何类型，可选；默认为 None

如果找不到标签，则使用的默认/回退值

raise_error布尔型

找不到标签时是否引发 ValueError

tag_valueAny

self

self 中名称为 tag_name 的标签的值。如果找不到，如果 raise_error 为 True 则引发错误，否则返回 tag_value_default。

ValueError，如果 raise_error 为 True。

引发:

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

get_tags()

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，或者是通过 set_tags 或 clone_tags 设置的标签。

从实例获取标签，并考虑标签层级继承和覆盖。

每个兼容 scikit-base 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。

clone_tags 设置来自另一个对象 estimator 的动态标签覆盖。

collected_tagsdict

实例可以根据超参数覆盖这些标签。

1. 在实例构造时设置的标签。

要检索的标签名称

2. 在父类的 _tags 属性中设置的标签，

3. 按继承顺序。

不考虑在实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖（这些是在实例上定义的）。

self

标签名 : 标签值 对的字典。通过嵌套继承从 _tags 类属性收集，然后是来自 _tags_dynamic 对象属性的任何覆盖和新标签。

类方法 get_test_params(parameter_set='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，应为一般测试提供一组“默认”参数，并为与之前记录的结果进行比较（如果默认参数集无法生成合适的概率进行比较）提供一组“结果比较”参数。

返回估计器的测试参数设置。

参数:

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。

paramsdict 或 list of dict，默认为 {}

self

创建类测试实例的参数。每个字典都是构造一个“有趣的”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()

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。

检查对象是否由其他 BaseObject 组成。

composite: 布尔型

self

对象是否具有任何参数值是 BaseObject 后代实例。

属性 is_fitted

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。

布尔型

self

估计器是否已训练。

类方法 load_from_path(serial)

serialZipFile(path).open(“object) 的结果

从文件位置加载对象。

参数:

在 path 位置的输出，由 cls.save(path) 生成的已反序列化对象

self

类方法 load_from_serial(serial)

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:

由 cls.save(None) 生成的输出 serial 的已反序列化对象

self

predict(X)

用于预测标签的时间序列。

预测 X 中序列的标签。

参数:

用于 fit 估计器的时间序列。

predict_proba(X)

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

• mtypes 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多元或不等长序列的面板数据，详情请参阅标签参考。

ysktime 兼容表格数据容器，Table scitype

self

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

如果 y 是单变量（一维），则为 1D np.ndarray；否则，与 fit 中传递的 y 类型相同

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

预测的类别标签概率 第 0 个索引对应 X 中的实例索引 第 1 个索引对应类别索引，顺序与 self.classes_ 中的相同 条目为预测类别概率，总和为 1

预测 X 中序列的标签概率。

参数:

用于 fit 估计器的时间序列。

predict_proba(X)

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

• mtypes 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多元或不等长序列的面板数据，详情请参阅标签参考。

ysktime 兼容表格数据容器，Table scitype

self

预测的类别标签概率 第 0 个索引对应 X 中的实例索引 第 1 个索引对应类别索引，顺序与 self.classes_ 中的相同 条目为预测类别概率，总和为 1

reset()

结果是将 self 设置为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。

将对象重置为干净的初始化后状态。

调用 reset 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”的属性将被保留。

• 配置属性，配置会原封不动地保留。也就是说，调用 reset 前后的 get_config 结果是相同的。

• 类方法、对象方法和类属性也不会受到影响。

等同于 clone，不同之处在于 reset 会改变 self 本身，而不是返回一个新对象。

在调用 self.reset() 后，self 的值和状态等同于通过构造函数调用``type(self)(**self.get_params(deep=False))`` 获得的对象。

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。

self

self 的引用。

save(path=None, serialization_format='pickle')

行为：如果 path 为 None，则返回一个内存中的序列化对象 如果 path 是文件位置，则将对象在该位置存储为一个 zip 文件

将序列化的对象保存到字节类对象或 (.zip) 文件。

保存的文件是 zip 文件，包含以下内容：_metadata - 包含对象的类，即 type(self) _obj - 序列化的对象本身。此类使用默认的序列化方法 (pickle)。

pathNone 或文件位置 (str 或 Path)

参数:

如果为 None，则对象保存到内存中的对象 如果是文件位置，则对象保存到该文件位置。如果

path=”estimator”，则会在当前工作目录生成一个 zip 文件 estimator.zip。

• path=”/home/stored/estimator”，则会在

• 中存储一个 zip 文件 estimator.zip。

serialization_format: str，默认为 “pickle”

用于序列化的模块。可用选项为“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 - 内存中的序列化对象

self

如果 path 是文件位置 - 引用该文件的 ZipFile 对象

score(X, y) → 浮点型

用于评估预测标签的时间序列。

评估预测标签与 X 上的真实标签的得分。

参数:

用于 fit 估计器的时间序列。

浮点型，predict(X) 与 y 之间的准确率得分

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

• mtypes 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多元或不等长序列的面板数据，详情请参阅标签参考。

ysktime 兼容表格数据容器，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] 用于拟合的类别标签，第 0 个索引对应 X 中的实例索引，第 1 个索引（如果适用）对应 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对象引用。

self

set_config(**config_dict)

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

将配置标志设置为给定值。

参数:

配置名称 : 配置值 对的字典。通过嵌套继承从 _config 类属性收集，然后是来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

displaystr，“diagram”（默认），或“text”

jupyter 内核如何显示对象的实例

“diagram” = html 框图表示

• “text” = 字符串打印输出

• print_changed_only布尔型，默认为 True

打印对象时是否仅列出与默认值不同的参数 (False)，或列出所有参数名称和值 (False)。不嵌套，即仅影响对象本身，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” = 不会引发来自 sktime 的警告

• backend:parallelstr，可选，默认为“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，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，默认为 {}（不传递参数）

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，可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果未传递 n_jobs，则默认为 `-1`，其他参数默认为 `joblib` 的默认值。

• “loky”、“multiprocessing” 和 “threading”：默认的 joblib 后端，可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果未传递 n_jobs，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。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 的一个键来传递。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”：包含 ray.init 有效键的字典

  • “shutdown_ray”：布尔值，默认为 True；False 可阻止 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

self

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)

设置此对象的参数。

此方法适用于简单的 skbase 对象以及组合对象。对于组合对象（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>。如果引用是明确的，例如没有两个组件参数同名为 <parameter>，也可以使用不带 <component>__ 的字符串 <parameter>。

参数:

**params**字典

BaseObject 参数，键必须是 <component>__<parameter> 字符串。__ 后缀可以在 get_params 键中唯一时，作为完整字符串的别名。

self

self对自身的引用（设置参数后）

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

为对象设置 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，并保证种子随机生成器的伪随机独立性。

应用于 self 中的 random_state 参数，取决于 self_policy，并且仅当 deep=True 时应用于其余组件对象。

注意：即使 self 没有 random_state，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

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

是否返回组件的已 fit 参数。

是否在值类型为 skbase 对象的参数中设置随机状态，即组件估计器。

• 如果为 False，将仅设置 self 的 random_state 参数（如果存在）。

• 如果为 True，也将设置组件对象中的 random_state 参数。

self_policy字符串，取值范围为 {“copy”, “keep”, “new”} 之一，默认为 “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，

从输入的 random_state 派生，通常与它不同

self

self对自身的引用

set_tags(**tag_dict)

将实例级别的标签覆盖设置为给定值。

get_class_tag 方法是类方法，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，字典值是要将标签设置为的值。

应该仅在对象的 __init__ 方法中调用 set_tags 方法，即在构建期间或通过 __init__ 直接构建后调用。

estimator一个 :class:BaseObject 或派生类的实例

参数:

**tag_dict**字典

标签名称：标签值 对的字典。

self

Self

对自身的引用。