WEASEL

类 WEASEL(anova=True, bigrams=True, binning_strategy='information-gain', window_inc=2, p_threshold=0.05, alphabet_size=2, n_jobs=1, feature_selection='chi2', support_probabilities=False, random_state=None)

用于时间序列分类的词语提取 (WEASEL)。

概述：输入 n 个长度为 m 的时间序列，WEASEL 是一个字典分类器，它使用 SFA 为不同的窗口长度构建模式袋，并在此模式袋上学习一个逻辑回归分类器。

主要参数如下：

• alphabet_size: 字母表大小

• p-threshold: 用于 chi^2 特征选择的阈值，以选择最佳词语。

  anova: 选择除了前几个之外的 l/2 最佳傅里叶系数

• bigrams: 使用 SFA 词语的双字母组合

• binning_strategy: 用于离散化为 SFA 词语的分箱策略。

• WEASEL 沿着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使用 anova 单侧检验保留最佳 l/2 个复数系数，将长度为 w 的窗口缩短为长度为 l 的词语。然后将这些 l 个系数离散化为 alpha 个可能的符号，形成一个长度为 l 的词语。为每个时间序列构建并存储一个词语直方图。对于每个窗口长度，创建一个模式袋，所有词语合并成一个模式袋。来自不同窗口长度的词语通过不同的前缀进行区分。fit 涉及在单个模式袋上训练一个逻辑回归分类器。

predict 使用逻辑回归分类器

参数：

anova: 布尔值, 默认值=True

如果为 True，则通过单向 ANOVA 检验进行傅里叶系数选择。如果为 False，则选择前几个傅里叶系数。仅当提供标签时适用。

bigrams: 布尔值, 默认值=True

是否创建 SFA 词语的双字母组合

binning_strategy: {“等深度”, “等宽度”, “信息增益”},

默认值=”信息增益”

用于导出断点的分箱方法。

window_inc: int, 默认值=2

WEASEL 为每个窗口大小创建一个 BoP 模型。这是用于确定下一个窗口大小的增量。

p_threshold: int, 默认值=0.05 (默认禁用)

特征选择基于卡方检验。这是用于词袋上的卡方检验的 p 值阈值（值越低表示越严格）。1 表示不执行此检验。

alphabet_size默认值 = 2

每个词语可能的字母（值）数量。

feature_selection: {“卡方”, “无”, “随机”}, 默认值: 卡方

设置要使用的特征选择策略。Chi2 显著减少词语数量，因此速度更快（首选）。如果设置为 chi2，则应用 p_threshold。Random 也显著减少数量。None 不应用特征选择，会产生大量的词袋，例如可能需要大量内存。

support_probabilities: 布尔值, 默认值: False

如果设置为 False，将训练一个 RidgeClassifierCV，它具有更高的准确性和更快的速度，但不支持 predict_proba。如果设置为 True，将训练一个 LogisticRegression，它支持 predict_proba()，但速度较慢且通常准确性较低。 predict_proba() 例如在像 TEASER 这样的早期分类中需要。

random_state: int 或 None, 默认值=None

随机种子, 整数

属性：

n_classes_int

类别数量。

classes_list

类别标签。

另请参阅

注意

有关 Java 版本，请参阅： - 原始出版物。 - TSML。

MUSE

参考文献

Patrick Schäfer 和 Ulf Leser，“使用 WEASEL 进行快速准确的时间序列分类”，收录于 ACM 信息与知识管理会议论文集，2017 年，https://dl.acm.org/doi/10.1145/3132847.3132980

示例

[1]

方法

check_is_fitted([method_name])

检查估计器是否已拟合。

>>> from sktime.classification.dictionary_based import WEASEL
>>> 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 = WEASEL(window_inc=4) 
>>> clf.fit(X_train, y_train) 
WEASEL(...)
>>> y_pred = clf.predict(X_test) 

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 self 保存为字节类对象或保存到 (.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)
将实例级标签覆盖设置为给定值。	classmethod get_test_params(parameter_set='default')
parameter_setstr, 默认值=”default”	要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，则返回“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，则提供一组“results_comparison”参数用于与先前记录的结果进行比较。

返回：

load_from_path(serial)

anova: 布尔值, 默认值=True

paramsdict 或 dict 列表, 默认值={}

用于创建类测试实例的参数。每个字典都是构造“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)

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，则抛出 NotFittedError 异常。

method_namestr, 可选

clone_tags(estimator[, tag_names])

调用此方法的名称。如果提供，错误消息将包含此信息。

抛出：

anova: 布尔值, 默认值=True

如果估计器尚未拟合。

clone()

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

NotFittedError

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，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())。

create_test_instance([parameter_set])

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

如果克隆不符合规范（由于 __init__ 有错误），则抛出 RuntimeError 异常。

clone_tags(estimator, tag_names=None)

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储关于对象的元数据，或控制对象的行为。

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

标签是特定于实例 self 的键值对，它们是在对象构造后不改变的静态标志。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

create_test_instances_and_names([parameter_set])

clone_tags 方法只能在对象的 __init__ 方法中调用，在构造期间或通过 __init__ 直接调用后。

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 查看。

estimator:class:BaseObject 或其派生类的实例

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。

anova: 布尔值, 默认值=True

self

对 self 的引用。

classmethod create_test_instance(parameter_set='default')

check_is_fitted(method_name=None)

要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，则返回“default”集。

instance具有默认参数的类实例

classmethod create_test_instances_and_names(parameter_set='default')

fit(X, y)

anova: 布尔值, 默认值=True

paramsdict 或 dict 列表, 默认值={}

objscls 实例列表

check_is_fitted(method_name=None)

第 i 个实例是 cls(**cls.get_test_params()[i])

namesstr 列表, 长度与 objs 相同

fit_predict(X, y[, cv, change_state])

anova: 布尔值, 默认值=True

paramsdict 或 dict 列表, 默认值={}

objscls 实例列表

check_is_fitted(method_name=None)

第 i 个元素是测试中第 i 个对象实例的名称。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

将状态更改为“fitted”。

写入 self

fit_predict_proba(X, y[, cv, change_state])

将 self.is_fitted 设置为 True。设置以“_”结尾的拟合模型属性。

Xsktime 兼容的时间序列面板数据容器，Panel scitype

用于拟合估计器的时间序列。

可以是 Panel scitype 的任何 mtype，例如

anova: 布尔值, 默认值=True

pd-multiindex: 列为变量，索引为 pd.MultiIndex（第一级为实例索引，第二级为时间索引）的 pd.DataFrame

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

• mtype 列表请参见 datatypes.SCITYPE_REGISTER

• 详细规范请参见 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数据，详情请参见标签参考。

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

self对 self 的引用。

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的样本外预测。

check_is_fitted(method_name=None)

写入 self，如果 change_state=True

如果 change_state=False，则不更新状态。

get_class_tag(tag_name[, tag_value_default])

用于拟合和预测标签的时间序列。

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

可以是 Panel scitype 的任何 mtype，例如

None : 预测是样本内预测，等同于 fit(X, y).predict(X)

anova: 布尔值, 默认值=True

pd-multiindex: 列为变量，索引为 pd.MultiIndex（第一级为实例索引，第二级为时间索引）的 pd.DataFrame

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 测试折叠必须不相交

或任何其他支持的 Panel mtype

• mtype 列表请参见 datatypes.SCITYPE_REGISTER

• 详细规范请参见 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数据，详情请参见标签参考。

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

self对 self 的引用。

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的样本外预测。

int : 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 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 序列在副本上运行，self 不改变

• 如果为 True，将把 self 拟合到完整的 X 和 y 上，最终状态将等同于运行 fit(X, y)

y_predsktime 兼容的表格数据容器，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]。

check_is_fitted(method_name=None)

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 是单变量（一维）；否则，类型与 fit 中传入的 y 相同

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

y_pred2D int 类型的 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)

get_class_tags

用于拟合和预测标签的时间序列。

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

可以是 Panel scitype 的任何 mtype，例如

None : 预测是样本内预测，等同于 fit(X, y).predict(X)

anova: 布尔值, 默认值=True

pd-multiindex: 列为变量，索引为 pd.MultiIndex（第一级为实例索引，第二级为时间索引）的 pd.DataFrame

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 测试折叠必须不相交

或任何其他支持的 Panel mtype

• mtype 列表请参见 datatypes.SCITYPE_REGISTER

• 详细规范请参见 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数据，详情请参见标签参考。

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

self对 self 的引用。

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的样本外预测。

int : 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 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 序列在副本上运行，self 不改变

• 如果为 True，将把 self 拟合到完整的 X 和 y 上，最终状态将等同于运行 fit(X, y)

y_predsktime 兼容的表格数据容器，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]。

check_is_fitted(method_name=None)

每个 scikit-base 兼容对象都有一个标签字典，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，按以下优先级降序排列：

get_config

在类的 _tags 属性中设置的标签。

在父类 _tags 属性中设置的标签，按继承顺序排列。

不考虑实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖。

1. 要检索可能包含实例覆盖的标签值，请使用 get_tag 方法。

2. tag_namestr

标签值的名称。

tag_value_default任意类型

如果未找到标签，则使用的默认/回退值。

anova: 布尔值, 默认值=True

tag_value

self 中 tag_name 标签的值。如果未找到，返回 tag_value_default。

classmethod get_class_tags()

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。

check_is_fitted(method_name=None)

它返回一个字典，其键是类或其任何父类中 _tags 任何属性的键。

值是相应的标签值，覆盖优先级按以下顺序降序排列：

实例可以根据超参数覆盖这些标签。

get_fitted_params([deep])

clone_tags 方法只能在对象的 __init__ 方法中调用，在构造期间或通过 __init__ 直接调用后。

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

要检索可能包含实例覆盖的标签，请使用 get_tags 方法。

要包含来自动态标签的覆盖，请使用 get_tags。

collected_tagsdict

1. 要检索可能包含实例覆盖的标签值，请使用 get_tag 方法。

2. tag_namestr

标签值的名称。

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()

tag_value_default任意类型

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 调用下保留。

get_param_defaults

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 对象属性获取任何覆盖和新标签。

get_fitted_params(deep=True)

所需状态

check_is_fitted(method_name=None)

需要状态为“fitted”。

deepbool, 默认值=True

是否返回组件的拟合参数。

get_param_names([sort])

如果为 True，将为此对象返回一个参数名称：值字典，包括可拟合组件（= BaseEstimator 类型参数）的拟合参数。

如果为 False，将为此对象返回一个参数名称：值字典，但不包括组件的拟合参数。

anova: 布尔值, 默认值=True

fitted_paramsdict，键为 str 类型

拟合参数字典，包含 paramname : paramvalue 键值对

• 总是：此对象的所有拟合参数，通过 get_param_names 获取的值为此对象该键的拟合参数值

• 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

check_is_fitted(method_name=None)

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。

• default_dict: dict[str, Any]

• 键是 cls 在 __init__ 中定义了默认值的所有参数。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。

check_is_fitted(method_name=None)

sortbool, 默认值=True

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]

cls 的参数名称列表。如果 sort=False，按它们在类 __init__ 中出现的顺序排列。如果 sort=True，按字母顺序排列。

anova: 布尔值, 默认值=True

get_params(deep=True)

是否返回组件的参数。

check_is_fitted(method_name=None)

如果 True，将为此对象返回一个 dict 的参数名称：值，包括组件（= BaseObject 类型参数）的参数。

如果 False，将为此对象返回一个 dict 的参数名称：值，但不包括组件的参数。

paramsdict，键为 str 类型

get_tags

anova: 布尔值, 默认值=True

fitted_paramsdict，键为 str 类型

参数字典，包含 paramname : paramvalue 键值对

• 总是：此对象的所有参数，通过 get_param_names 获取的值为此对象该键的参数值。这些值始终与构造时传入的值相同

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

check_is_fitted(method_name=None)

get_tag 方法从实例中检索名称为 tag_name 的单个标签值，考虑标签覆盖，按以下优先级降序排列：

在实例上通过 set_tags 或 clone_tags 设置的标签，

• 在实例构造时设置。

• default_dict: dict[str, Any]

• 键是 cls 在 __init__ 中定义了默认值的所有参数。值是 __init__ 中定义的默认值。

要检索的标签名称

get_test_params([parameter_set])

clone_tags 方法只能在对象的 __init__ 方法中调用，在构造期间或通过 __init__ 直接调用后。

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

tag_value_default任意类型, 可选; 默认值=None

1. 如果未找到标签，则使用的默认/回退值

raise_errorbool

2. 要检索可能包含实例覆盖的标签值，请使用 get_tag 方法。

3. tag_namestr

标签值的名称。

anova: 布尔值, 默认值=True

tag_value

未找到标签时是否抛出 ValueError 异常

tag_valueAny

self 中 tag_name 标签的值。如果未找到，若 raise_error 为 True 则抛出错误，否则返回 tag_value_default。

ValueError 异常，如果 raise_error 为 True。

如果 tag_name 不在 self.get_tags().keys() 中，则抛出 ValueError 异常。

check_is_fitted(method_name=None)

get_tags()

get_tags 方法返回一个标签字典，其键是类或其任何父类中 _tags 任何属性的键，或通过 set_tags 或 clone_tags 设置的标签。

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

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 对象属性获取任何覆盖和新标签。

is_composite()

is_composite

clone_tags 方法只能在对象的 __init__ 方法中调用，在构造期间或通过 __init__ 直接调用后。

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

组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。

collected_tagsdict

1. 如果未找到标签，则使用的默认/回退值

raise_errorbool

2. 要检索可能包含实例覆盖的标签值，请使用 get_tag 方法。

3. tag_namestr

标签值的名称。

check_is_fitted(method_name=None)

composite: bool

对象是否包含任何其值为 BaseObject 派生类实例的参数。

属性 is_fitted

load_from_serial(serial)

fit 是否已被调用。

check_is_fitted(method_name=None)

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。

bool

估计器是否已 fit。

classmethod load_from_path(serial)

serialZipFile(path).open(“object) 的结果

check_is_fitted(method_name=None)

反序列化的 self，产生在 path 的输出，即 cls.save(path) 的结果

classmethod load_from_serial(serial)

serialcls.save(None) 输出的第一个元素

predict(X)

anova: 布尔值, 默认值=True

反序列化的 self，产生输出 serial，即 cls.save(None) 的结果

check_is_fitted(method_name=None)

predict(X)

要预测标签的时间序列。

predict_proba(X)

anova: 布尔值, 默认值=True

predict_proba(X)

check_is_fitted(method_name=None)

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_ 中相同。条目是预测的类别概率，总和为 1

reset()

reset

anova: 布尔值, 默认值=True

pd-multiindex: 列为变量，索引为 pd.MultiIndex（第一级为实例索引，第二级为时间索引）的 pd.DataFrame

结果是将 self 设置回构造函数调用后的状态，保持相同的超参数。通过 set_config 设置的配置值也保留。

或任何其他支持的 Panel mtype

• mtype 列表请参见 datatypes.SCITYPE_REGISTER

• 详细规范请参见 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数据，详情请参见标签参考。

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

self对 self 的引用。

check_is_fitted(method_name=None)

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 是单变量（一维）；否则，类型与 fit 中传入的 y 相同

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

y_pred2D int 类型的 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_ 中相同。条目是预测的类别概率，总和为 1

reset 调用会删除任何对象属性，除了：

save([path, serialization_format])

anova: 布尔值, 默认值=True

pd-multiindex: 列为变量，索引为 pd.MultiIndex（第一级为实例索引，第二级为时间索引）的 pd.DataFrame

结果是将 self 设置回构造函数调用后的状态，保持相同的超参数。通过 set_config 设置的配置值也保留。

或任何其他支持的 Panel mtype

• mtype 列表请参见 datatypes.SCITYPE_REGISTER

• 详细规范请参见 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数据，详情请参见标签参考。

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

self对 self 的引用。

check_is_fitted(method_name=None)

每个 scikit-base 兼容对象都有一个标签字典，用于存储关于对象的元数据。

超参数 = __init__ 的参数写入 self，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。

score(X, y)

配置属性，配置不变地保留。也就是说，get_config 在 reset 前后的结果是相同的。

类和对象方法，以及类属性也不受影响。

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

• 在调用 self.reset() 后，self 在值和状态上与构造函数调用``type(self)(**self.get_params(deep=False))`` 后获得的对象相同。

• 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。

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 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。此类使用默认序列化（pickle）。

check_is_fitted(method_name=None)

要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，则返回“default”集。

pathNone 或文件位置 (str 或 Path)

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

set_config(**config_dict)

path=”estimator”，则在当前工作目录创建 zip 文件 estimator.zip。

path=”/home/stored/estimator”，则将创建 zip 文件 estimator.zip 并

anova: 布尔值, 默认值=True

存储在 /home/stored/。

serialization_format: str, 默认值 = “pickle”

• 用于序列化的模块。可用选项是“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 self

存储在 /home/stored/ 中。

serialization_format: str，默认值 = “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。

check_is_fitted(method_name=None)

如果 path 为 None - 内存中序列化的自身

如果 path 是文件位置 - 引用该文件的 ZipFile

score(X, y) → float

set_params(**params)

anova: 布尔值, 默认值=True

pd-multiindex: 列为变量，索引为 pd.MultiIndex（第一级为实例索引，第二级为时间索引）的 pd.DataFrame

用于对预测标签进行评分的时间序列。

或任何其他支持的 Panel mtype

• mtype 列表请参见 datatypes.SCITYPE_REGISTER

• 详细规范请参见 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数据，详情请参见标签参考。

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

self对 self 的引用。

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的样本外预测。

check_is_fitted(method_name=None)

float，predict(X) 与 y 的准确率得分

set_config(**config_dict)

set_random_state([random_state, deep, ...])

anova: 布尔值, 默认值=True

需要状态为“fitted”。

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 kernels 如何显示自身的实例

• “diagram” = html 框图表示

• “text” = 字符串打印输出

print_changed_onlybool，默认值=True

打印自身时是否仅列出与默认值不同的自身参数（False），或列出所有参数名称和值（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”

是否触发警告，仅影响来自 sktime 的警告

• “on” = 将触发来自 sktime 的警告

• “off” = 将不会触发来自 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，可选值如下

• “None”：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={}（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”：没有附加参数，backend_params 被忽略

• “loky”、“multiprocessing”和“threading”：默认 joblib 后端，任何 joblib.Parallel 的有效键都可以在此处传递，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。任何 joblib.Parallel 的有效键都可以在此处传递，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，默认值=True；False 会阻止 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

check_is_fitted(method_name=None)

self自身的引用。

参考文献

改变对象状态，将 config_dict 中的配置复制到 self._config_dynamic。

set_params(**params)

set_tags(**tag_dict)

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同名 <parameter>，也可以使用不带 <component>__ 的字符串 <parameter>。

anova: 布尔值, 默认值=True

**paramsdict

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

check_is_fitted(method_name=None)

self自身的引用（设置参数后）

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

classmethod get_test_params(parameter_set='default')

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。

取决于 self_policy，适用于 self 中的 random_state 参数，并且仅当 deep=True 时适用于剩余的组件对象。

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。

anova: 布尔值, 默认值=True

random_stateint, RandomState 实例或 None，默认值=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。

fitted_paramsdict，键为 str 类型

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，则也会在组件对象中设置 random_state 参数。

self_policystr，{“copy”, “keep”, “new”} 之一，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，通常与它不同

check_is_fitted(method_name=None)

self自身的引用

set_tags(**tag_dict)

要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，则返回“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，则提供一组“results_comparison”参数用于与先前记录的结果进行比较。

在类的 _tags 属性中设置的标签。

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。

此 set_tags 方法只能在对象的 __init__ 方法中（在构造期间）或通过 __init__ 构造后直接调用。

要克隆的标签名称。默认值 (None) 克隆 estimator 中的所有标签。

anova: 布尔值, 默认值=True

**tag_dictdict

标签名称 : 标签值对的字典。

check_is_fitted(method_name=None)

自身

自身的引用。