TEASER

class TEASER(estimator=None, one_class_classifier=None, one_class_param_grid=None, classification_points=None, n_jobs=1, random_state=None)

两阶段早期准确时间序列分类器 (TEASER)。

一种早期分类器，它使用基于预测概率训练的单类 SVM 来确定早期预测是否安全。

概述

构建 n 个分类器，其中 n 是 classification_points 的数量。对于每个分类器，训练一个单类 SVM，用于确定在该序列长度下的预测安全性。调整需要多少个连续的安全 SVM 预测才认为预测安全。

当预测仍被认为不安全时

使用分类点 i 的序列长度进行预测。使用 decide_prediction_safety 决定预测是否安全。

参数:

estimator: sktime 分类器，默认值=None

将在每个 classification_points 时间戳构建的 sktime 评估器。默认使用 WEASEL 分类器。

one_class_classifier: 单类 sklearn 分类器，默认值=None

用于确定早期决策是否安全的 sklearn 单类分类器。默认使用经过调优的单类 SVM 分类器。

one_class_param_grid: dict 或 dict 列表，默认值=None

用于单类分类器通过网格搜索学习的超参数。字典，键为参数名称 (str)，值为要尝试的参数设置列表，或此类字典的列表。

classification_points列表或 None，默认值=None

整数时间序列时间戳列表，用于构建分类器并允许在这些时间戳进行预测。早期预测的序列长度必须与 _classification_points 列表中的值匹配。重复值将被移除，如果不存在，将添加完整的序列长度。如果为 None，将使用从 0 到序列长度线性间隔的 20 个阈值。

n_jobsint，默认值=1

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，默认值=None

随机数生成的种子。

属性:

n_classes_int

类别数量。

n_instances_int

训练样本数量。

n_dims_int

每个样本的维度数量。

series_length_int

每个序列的完整长度。

classes_list

唯一的类别标签。

state_info2d np.ndarray（4 列）

在 update/predict 方法中进行决策后存储的关于输入样本的信息。在 update 方法中用于根据先前方法调用的结果做出决策。按顺序记录：时间戳索引、连续决策次数、预测类别和序列长度。

参考文献

[1]

Schäfer, Patrick, and Ulf Leser. “TEASER: early and accurate time series classification.” Data mining and knowledge discovery 34, no. 5 (2020)

示例

>>> from sktime.classification.early_classification import TEASER
>>> from sktime.classification.interval_based import TimeSeriesForestClassifier
>>> 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 = TEASER(
...     classification_points=[6, 16, 24],
...     estimator=TimeSeriesForestClassifier(n_estimators=5),
... ) 
>>> clf.fit(X_train, y_train) 
TEASER(...)
>>> y_pred, decisions = clf.predict(X_test) 

方法

check_is_fitted([method_name])	检查评估器是否已拟合。
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])	使用第一个测试参数集构造类的实例。
create_test_instances_and_names([parameter_set])	创建所有测试实例及其名称的列表。
filter_X(X, decisions)	根据布尔型决策数组从 X 中移除 True 的情况。
filter_X_y(X, y, decisions)	根据布尔型决策数组从 X 和 y 中移除 True 的情况。
fit(X, y)	将时间序列分类器拟合到训练数据。
get_class_tag(tag_name[, tag_value_default])	从类中获取类标签值，并继承父类标签级别。
get_class_tags()	从类中获取类标签，并继承父类的标签级别。
get_config()	获取对象的配置标志。
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_state_info()	返回上次 predict/update 调用生成的状态信息。
get_tag(tag_name[, tag_value_default, ...])	从实例中获取标签值，并考虑标签级别继承和覆盖。
get_tags()	从实例中获取标签，并考虑标签级别继承和覆盖。
get_test_params([parameter_set])	返回评估器的测试参数设置。
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()	将对象重置到干净的初始化后状态。
reset_state_info()	重置 update 方法中使用的状态信息。
save([path, serialization_format])	将序列化的对象保存到 bytes-like 对象或 (.zip) 文件。
score(X, y)	根据 X 中的真实标签评估预测标签的得分。
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。
split_indices(indices, decisions)	根据布尔型决策数组分割索引列表。
split_indices_and_filter(X, indices, decisions)	根据决策数组移除 True 的情况并分割索引列表。
update_predict(X)	在更大的序列长度上更新 X 中序列的标签预测。
update_predict_proba(X)	在更大的序列长度上更新 X 中序列的标签概率。

classmethod get_test_params(parameter_set='default')

返回评估器的测试参数设置。

参数:

parameter_setstr，默认值=”default”

要返回的测试参数集的名称，用于测试中。如果未为某个值定义特殊参数，将返回 "default" 集。

返回:

paramsdict 或 dict 列表，默认值 = {}

用于创建类的测试实例的参数。

check_is_fitted(method_name=None)

检查评估器是否已拟合。

检查 _is_fitted 属性是否存在且为 True。is_fitted 属性应在对象的 fit 方法调用中设置为 True。

如果不是，则引发 NotFittedError。

参数:

method_namestr，可选

调用此方法的方法的名称。如果提供，错误消息将包含此信息。

引发:

NotFittedError

如果评估器尚未拟合。

clone()

获取具有相同超参数和配置的对象克隆。

克隆是另一个没有共享引用、处于初始化后状态的对象。此函数等效于返回 self 的 sklearn.clone。

等效于构造一个 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，等效于调用 cloned_self.set_config(**self.get_config())。

值上等效于调用 self.reset，不同之处在于 clone 返回一个新对象，而不是像 reset 那样修改 self。

引发:

如果由于错误的 __init__ 导致克隆不符合要求，则引发 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 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。

标签是实例 self 特有的键值对，它们是静态标志，在对象构建后不会更改。

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、构建期间或通过 __init__ 直接构建后调用。

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

tag_names 的默认值会将 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

指向 self 的引用。

classmethod create_test_instance(parameter_set='default')

使用第一个测试参数集构造类的实例。

参数:

parameter_setstr，默认值=”default”

要返回的测试参数集的名称，用于测试中。如果未为某个值定义特殊参数，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')

创建所有测试实例及其名称的列表。

参数:

parameter_setstr，默认值=”default”

要返回的测试参数集的名称，用于测试中。如果未为某个值定义特殊参数，将返回 “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__}

static filter_X(X, decisions)

根据布尔型决策数组从 X 中移除 True 的情况。

static filter_X_y(X, y, decisions)

根据布尔型决策数组从 X 和 y 中移除 True 的情况。

fit(X, y)

将时间序列分类器拟合到训练数据。

参数:

X3D np.array（任意维度，等长序列）

形状为 [n_instances, n_dimensions, series_length]

或 2D np.array（单变量，等长序列）

形状为 [n_instances, series_length]

或 pd.DataFrame，其中每列是一个维度，每个单元格是一个 pd.Series

（任意维度，等长或不等长序列）

或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER，规范请参见 examples/AA_datatypes_and_datasets.ipynb

y1D np.array (int), 形状为 [n_instances] - 用于拟合的类别标签

索引对应于 X 中的实例索引

返回:

self指向 self 的引用。

注意

通过创建拟合模型更改状态，该模型更新以“_”结尾的属性并将 is_fitted 标志设置为 True。

classmethod get_class_tag(tag_name, tag_value_default=None)

从类中获取类标签值，并继承父类标签级别。

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，它仅考虑类级别的标签值和覆盖来检索标签的值。

它根据以下降序优先级顺序返回对象中名称为 tag_name 的标签值，考虑标签覆盖

1. 在类的 _tags 属性中设置的标签。

2. 在父类的 _tags 属性中设置的标签，

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，这些标签定义在实例上。

要使用潜在的实例覆盖来检索标签值，请改用 get_tag 方法。

参数:

tag_namestr

标签值的名称。

tag_value_default任何类型

如果找不到标签的默认/回退值。

返回:

tag_value

self 中 tag_name 标签的值。如果找不到，返回 tag_value_default。

classmethod get_class_tags()

从类中获取类标签，并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。

标签是实例 self 特有的键值对，它们是静态标志，在对象构建后不会更改。

get_class_tags 方法是一个类方法，它仅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，覆盖顺序为降序优先级

1. 在类的 _tags 属性中设置的标签。

2. 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。

要使用潜在的实例覆盖来检索标签，请改用 get_tags 方法。

不考虑在实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖，这些标签定义在实例上。

对于包含动态标签的覆盖，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。不被通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()

获取对象的配置标志。

配置是 self 的键值对，通常用作控制行为的瞬态标志。

get_config 返回动态配置，这些配置覆盖默认配置。

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

配置在 clone 或 reset 调用中保留。

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，然后是来自 _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

需要状态为“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称 : 值字典，包括可拟合组件（= BaseEstimator 值参数）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:

fitted_params键为 str 的 dict

已拟合参数的字典，paramname : paramvalue 键值对包括

• 始终：此对象的所有已拟合参数，如通过 get_param_names 获取的值是此对象该键的已拟合参数值

• 如果 deep=True，也包含组件参数的键/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 的所有在 __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)

获取对象的参数名称。

参数:

sortbool，默认值=True

是按字母顺序返回参数名称（True）还是按它们在类 __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 True，将返回此对象的参数名称 : 值 dict，包括组件（= BaseObject 值参数）的参数。

• 如果 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:

params键为 str 的 dict

参数的字典，paramname : paramvalue 键值对包括

• 始终：此对象的所有参数，如通过 get_param_names 获取的值是此对象该键的参数值，值始终与构建时传递的值相同

• 如果 deep=True，也包含组件参数的键/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_state_info()

返回上次 predict/update 调用生成的状态信息。

返回:

一个数组，包含 update 和 predict 方法中 X 中每个决策的状态信息。包含分类器相关的未来数据决策信息以及案例决策何时做出。每行包含 update/predict 中对其安全性做出最新决策的案例信息。连续更新可能会从 state_info 中移除行，因为它只会存储与输入到 update/predict 的实例数量相同的行。

predict methods. Contains classifier dependent information for future decisions

on the data and information on when a cases decision has been made. Each row

contains information for a case from the latest decision on its safety made in

update/predict. Successive updates are likely to remove rows from the

state_info, as it will only store as many rows as there are input instances to

update/predict.

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

从实例中获取标签值，并考虑标签级别继承和覆盖。

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。

标签是实例 self 特有的键值对，它们是静态标志，在对象构建后不会更改。

get_tag 方法根据以下降序优先级顺序从实例中检索名称为 tag_name 的单个标签值，考虑标签覆盖

1. 在实例构建时通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构建时。

2. 在类的 _tags 属性中设置的标签。

3. 在父类的 _tags 属性中设置的标签，

按继承顺序。

参数:

tag_namestr

要检索的标签名称

tag_value_default任何类型，可选；默认值=None

如果找不到标签的默认/回退值

raise_errorbool

找不到标签时是否引发 ValueError

返回:

tag_valueAny

self 中 tag_name 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。

引发:

ValueError，如果 raise_error 为 True。

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

get_tags()

从实例中获取标签，并考虑标签级别继承和覆盖。

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。

标签是实例 self 特有的键值对，它们是静态标志，在对象构建后不会更改。

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，或通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，覆盖顺序为降序优先级

1. 在实例构建时通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构建时。

2. 在类的 _tags 属性中设置的标签。

3. 在父类的 _tags 属性中设置的标签，

按继承顺序。

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，然后是来自 _tags_dynamic 对象属性的任何覆盖和新标签。

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。

返回:

composite: bool

对象是否有任何参数的值是 BaseObject 的派生实例。

property is_fitted

fit 方法是否已被调用。

检查对象的 _is_fitted 属性，该属性应在对象构建期间初始化为 False，并在对象的 fit 方法调用中设置为 True。

返回:

bool

评估器是否已 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:

反序列化的对象，结果在 path，来自 cls.save(path)

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:

反序列化的对象，结果为 serial，来自 cls.save(None)

predict(X) → tuple[ndarray, ndarray]

预测 X 中序列的标签。

早期分类器可以在短于训练数据序列长度的序列长度上进行预测。

对于尚无法做出决策的案例，predict 将返回 -1。只有在使用完整序列长度时，输出才保证对所有案例返回有效的类别标签。

参数:

X3D np.array（任意维度，等长序列）

形状为 [n_instances, n_dimensions, series_length]

或 2D np.array（单变量，等长序列）

形状为 [n_instances, series_length]

或 pd.DataFrame，其中每列是一个维度，每个单元格是一个 pd.Series

（任意维度，等长或不等长序列）

或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER，规范请参见 examples/AA_datatypes_and_datasets.ipynb

返回:

y1D np.array (int), 形状为 [n_instances] - 预测类别标签

索引对应于 X 中的实例索引

decisions1D bool 数组

一个布尔值数组，包含预测是否可以安全使用的决策。第 i 个条目是分类器关于第 i 个实例是否安全可用的决策

predict_proba(X) → tuple[ndarray, ndarray]

预测 X 中序列的标签概率。

早期分类器可以在短于训练数据序列长度的序列长度上进行预测。

概率预测将对尚未能做出决策的情况返回 [-1]*n_classes_。仅在使用完整序列长度时，输出才能保证为所有情况返回有效的类别标签。

参数:

X3D np.array（任意维度，等长序列）

形状为 [n_instances, n_dimensions, series_length]

或 2D np.array（单变量，等长序列）

形状为 [n_instances, series_length]

或 pd.DataFrame，其中每列是一个维度，每个单元格是一个 pd.Series

（任意维度，等长或不等长序列）

或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER，规范请参见 examples/AA_datatypes_and_datasets.ipynb

返回:

y形状为 [n_instances, n_classes] 的二维数组 - 预测的类别概率

第一维索引对应于 X 中的实例索引；第二维索引对应于可能的标签（整数）；(i, j) 条目表示第 i 个实例属于第 j 个类别的预测概率。

decisions1D bool 数组

一个布尔值数组，包含预测是否可以安全使用的决策。第 i 个条目是分类器关于第 i 个实例是否安全可用的决策

reset()

将对象重置到干净的初始化后状态。

结果是将 self 设置为其在构造函数调用后直接所处的状态，并保持相同的超参数。由 set_config 设置的配置值也会被保留。

一个 reset 调用会删除所有对象属性，除了

• 超参数 = 写入到 self 的 __init__ 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" 的属性会被保留。

• 配置属性，配置会被不变地保留。也就是说，reset 前后 get_config 的结果是相同的。

类方法和对象方法，以及类属性也不受影响。

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

在调用 self.reset() 后，self 的值和状态与通过构造函数调用``type(self)(**self.get_params(deep=False))`` 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。

reset_state_info()

重置 update 方法中使用的状态信息。

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

将序列化的对象保存到 bytes-like 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 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，self 将保存到该文件位置。如果

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

• path=”/home/stored/estimator”，则会在 /home/stored/ 中

存储一个 estimator.zip 文件。

serialization_format: str 类型，默认值为 “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。

返回:

如果 path 为 None - 内存中的序列化 self

如果 path 是文件位置 - 引用该文件的 ZipFile 对象

score(X, y) → tuple[float, float, float]

根据 X 中的真实标签评估预测标签的得分。

参数:

X3D np.array（任意维度，等长序列）

形状为 [n_instances, n_dimensions, series_length]

或 2D np.array（单变量，等长序列）

形状为 [n_instances, series_length]

或 pd.DataFrame，其中每列是一个维度，每个单元格是一个 pd.Series

（任意维度，等长或不等长序列）

或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER，规范请参见 examples/AA_datatypes_and_datasets.ipynb

y形状为 [n_instances] 的一维 int 类型 np.ndarray 数组 - 类别标签（真实值）

索引对应于 X 中的实例索引

返回:

浮点数元组，predict(X) 与 y 相比的调和平均数、准确率和早期性得分。

set_config(**config_dict)

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。有效的配置、值及其含义如下所示

displaystr 类型，"diagram"（默认）或 "text"

jupyter kernel 如何显示 self 的实例

• "diagram" = html 框图表示

• "text" = 字符串打印输出

print_changed_onlybool 类型，默认值为 True

打印 self 时，是只列出与默认值不同的参数（True），还是列出所有参数名称和值（False）。不嵌套，即只影响 self，不影响组件估计器。

warningsstr 类型，"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" = 将不会引发来自 sktime 的警告

backend:parallelstr 类型，可选，默认值为 "None"

广播/向量化时用于并行化的后端，以下之一

• "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 类型，可选，默认值为 {}（不传递参数）

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"：无额外参数，忽略 backend_params

• "loky"、"multiprocessing" 和 "threading"：默认的 joblib 后端。此处可以传递 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，则默认值为 -1，其他参数将使用 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 joblib.Parallel 的任何有效键，例如 n_jobs，但在此情况下 backend 必须作为 backend_params 的一个键传递。如果未传递 n_jobs，则默认值为 -1，其他参数将使用 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"：bool 类型，默认值为 True；False 会阻止 ray 在并行化后

    关闭。

  • "logger_name"：str 类型，默认值为 "ray"；要使用的 logger 名称。

  • "mute_warnings"：bool 类型，默认值为 False；如果为 True，则抑制警告

返回:

self对 self 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。

该方法适用于简单的 skbase 对象以及组合对象。参数键字符串 <component>__<parameter> 可用于组合对象（即包含其他对象的对象），以访问组件 <component> 中的 <parameter>。如果这使得引用明确（例如，没有两个组件的参数同名），不带 <component>__ 的字符串 <parameter> 也可以使用。

参数:

**paramsdict

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')

为对象设置 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之间的伪随机独立性。

根据 self_policy 应用于 self 中的 random_state 参数，且仅在 deep=True 时应用于其余组件对象。

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。

参数:

random_stateint、RandomState 实例或 None，默认值为 None

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

deepbool，默认值=True

是否设置 skbase 对象值参数（即组件估计器）中的随机状态。

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

• 如果为 True，则也会设置组件对象中的 random_state 参数。

self_policystr 类型，{“copy”, “keep”, “new”} 之一，默认值为 "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 被设置为新的随机状态，

源自输入的 random_state，并且通常与输入不同

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__ 构造后直接调用。

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:

Self对 self 的引用。

自指

静态 split_indices(indices, decisions)

根据布尔型决策数组分割索引列表。

静态 split_indices_and_filter(X, indices, decisions)

根据决策数组移除 True 的情况并分割索引列表。

update_predict(X) → tuple[ndarray, ndarray]

在更大的序列长度上更新 X 中序列的标签预测。

使用分类器状态中存储的来自先前预测的信息，并在较短的序列长度处进行更新。更新将仅接受尚未做出决策的情况，已做出肯定决策的情况应从输入中移除并保留行顺序。

如果没有状态信息，将改为调用 predict。

预测更新将对尚未能做出决策的情况返回 -1。仅在使用完整序列长度时，输出才能保证为所有情况返回有效的类别标签。

参数:

X3D np.array（任意维度，等长序列）

形状为 [n_instances, n_dimensions, series_length]

或 2D np.array（单变量，等长序列）

形状为 [n_instances, series_length]

或 pd.DataFrame，其中每列是一个维度，每个单元格是一个 pd.Series

（任意维度，等长或不等长序列）

或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER，规范请参见 examples/AA_datatypes_and_datasets.ipynb

返回:

y1D np.array (int), 形状为 [n_instances] - 预测类别标签

索引对应于 X 中的实例索引

decisions1D bool 数组

一个布尔值数组，包含预测是否可以安全使用的决策。第 i 个条目是分类器关于第 i 个实例是否安全可用的决策

update_predict_proba(X) → tuple[ndarray, ndarray]

在更大的序列长度上更新 X 中序列的标签概率。

使用分类器状态中存储的来自先前预测的信息，并在较短的序列长度处进行更新。更新将仅接受尚未做出决策的情况，已做出肯定决策的情况应从输入中移除并保留行顺序。

如果没有状态信息，将改为调用 predict_proba。

概率预测更新将对尚未能做出决策的情况返回 [-1]*n_classes_。仅在使用完整序列长度时，输出才能保证为所有情况返回有效的类别标签。

参数:

X3D np.array（任意维度，等长序列）

形状为 [n_instances, n_dimensions, series_length]

或 2D np.array（单变量，等长序列）

形状为 [n_instances, series_length]

或 pd.DataFrame，其中每列是一个维度，每个单元格是一个 pd.Series

（任意维度，等长或不等长序列）

或任何其他支持的 Panel mtype

mtype 列表请参见 datatypes.SCITYPE_REGISTER，规范请参见 examples/AA_datatypes_and_datasets.ipynb

返回:

y形状为 [n_instances, n_classes] 的二维数组 - 预测的类别概率

第一维索引对应于 X 中的实例索引；第二维索引对应于可能的标签（整数）；(i, j) 条目表示第 i 个实例属于第 j 个类别的预测概率。

decisions1D bool 数组

一个布尔值数组，包含预测是否可以安全使用的决策。第 i 个条目是分类器关于第 i 个实例是否安全可用的决策