BaggingClassifier#

class BaggingClassifier(estimator, n_estimators=10, n_samples=1.0, n_features=1.0, bootstrap=True, bootstrap_features=False, random_state=None)[source]#

时间序列分类器的 Bagging 集成。

在实例子样本和/或变量子样本组成的数据集上拟合分类器的 n_estimators 个克隆。

对于 predict_proba，返回概率预测的平均值。对于确定性分类器，这导致 predict 使用多数投票。

该评估器允许选择实例、变量的样本大小以及采样是否带放回。

将 sklearn 的 BaggingClassifier 直接推广到时间序列分类任务。

注意：如果 n_features=1，BaggingClassifier 将单变量分类器转换为多变量分类器，因为 estimator 看到的切片都是单变量的。这可以用来赋予单变量分类器多变量处理能力。

参数：
estimatorsktime 分类器，BaseClassifier 的后代

在 Bagging 评估器中使用的分类器

n_estimatorsint，默认为 10

Bagging 中样本里的评估器数量

n_samplesint 或 float，默认为 1.0

在 fit 中从 X 中提取的实例数量，用于训练每个克隆 如果是 int，则精确指定实例数量 如果是 float，则解释为分数，并向上取整 (ceil)

n_featuresint 或 float，默认为 1.0

在 fit 中从 X 中提取的特征/变量数量，用于训练每个克隆 如果是 int，则精确指定实例数量 如果是 float，则解释为分数，并向上取整 (ceil) 注意：如果 n_features=1，BaggingClassifier 将单变量分类器转换为多变量分类器（因为 estimator 看到的切片都是单变量的）。

bootstrapboolean，默认为 True

样本/实例是否带放回 (True) 或不带放回 (False) 抽取

bootstrap_featuresboolean，默认为 False

特征/变量是否带放回 (True) 或不带放回 (False) 抽取

random_stateint, RandomState 实例或 None，可选（默认为 None）

如果为 int，random_state 是随机数生成器使用的种子； 如果为 RandomState 实例，random_state 是随机数生成器； 如果为 None，则随机数生成器是 np.random 使用的 RandomState 实例。

属性：
estimators_sktime 分类器列表

estimator 中分类器在集成中拟合的克隆

示例

>>> from sktime.classification.ensemble import BaggingClassifier
>>> from sktime.classification.kernel_based import RocketClassifier
>>> from sktime.datasets import load_unit_test
>>> X_train, y_train = load_unit_test(split="train") 
>>> X_test, y_test = load_unit_test(split="test") 
>>> clf = BaggingClassifier(
...     RocketClassifier(num_kernels=100),
...     n_estimators=10,
... ) 
>>> clf.fit(X_train, y_train) 
BaggingClassifier(...)
>>> y_pred = clf.predict(X_test)

方法

check_is_fitted([method_name])

检查评估器是否已拟合。

clone()

获取对象的克隆，具有相同的超参数和配置。

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])

创建所有测试实例及其名称的列表。

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，带标签级别继承。

get_class_tags()

从类中获取类标签，带标签级别继承。

get_config()

获取自身的配置标志。

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, ...])

从实例中获取标签值，带标签级别继承和覆盖。

get_tags()

从实例中获取标签，带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()

将对象重置为干净的初始化后状态。

save([path, serialization_format])

将序列化的自身保存到字节类对象或 (.zip) 文件。

score(X, y)

评估预测标签相对于 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, ...])

为自身设置 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。
classmethod get_test_params(parameter_set='default')[source]#

返回评估器的测试参数设置。

参数：
parameter_setstr，默认为“default”

要返回的测试参数集的名称，用于测试。如果未为某个值定义特殊参数，将返回 "default" 集。对于分类器，应提供“default”参数集用于通用测试，如果通用集产生的概率不适合比较，则提供“results_comparison”集用于与先前记录的结果进行比较。

返回：
paramsdict 或 dict 列表，默认为 {}

用于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。

check_is_fitted(method_name=None)[source]#

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 属性应在调用对象的 fit 方法时设置为 True。

如果不是，则引发 NotFittedError 异常。

参数：
method_namestr，可选

调用此函数的方法名称。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()[source]#

获取对象的克隆，具有相同的超参数和配置。

克隆是一个不同的对象，没有共享引用，处于初始化后状态。此函数等同于返回 self 的 sklearn.clone。

等同于构造一个具有 self 参数的新 type(self) 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)[source]#

将标签从另一个对象克隆为动态覆盖。

每个与 scikit-base 兼容的对象都有一个标签字典。标签可用于存储有关对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是对象构造后不会更改的静态标志。

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

clone_tags 方法应仅在对象的 __init__ 方法中、构造期间或通过 __init__ 直接在构造后调用。

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

tag_names 的默认设置将 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。

参数：
estimator:class:BaseObject 或其派生类的实例
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

指向 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具有默认参数的类实例
classmethod create_test_instances_and_names(parameter_set='default')[source]#

创建所有测试实例及其名称的列表。

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 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)[source]#

将时间序列分类器拟合到训练数据。

状态改变

将状态更改为“已拟合” (fitted)。

写入自身

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

参数：
X与 sktime 兼容的 Panel scitype 时间序列面板数据容器

用于拟合评估器的时间序列。

可以是 Panel scitype 的任何 mtype 格式，例如

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

  • 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 格式

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

详细说明请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有评估器都支持包含多变量或不等长序列的面板数据，详情请参阅标签参考。

y与 sktime 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

返回：
self指向自身的引用。
fit_predict(X, y, cv=None, change_state=True)[source]#

拟合并预测 X 中序列的标签。

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，则写入自身

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：
X与 sktime 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 格式，例如

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

  • 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 格式

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

详细说明请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有评估器都支持包含多变量或不等长序列的面板数据，详情请参阅标签参考。

y与 sktime 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

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

  • None : 预测是样本内的，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 折叠中获取。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（默认为 True）

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

  • 如果为 True，则将自身拟合到完整的 X 和 y，最终状态将等同于运行 fit(X, y)

返回：
y_pred与 sktime 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]。

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。

如果是单变量 y（一维），则为 1D np.ndarray；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。

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，则写入自身

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：
X与 sktime 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 格式，例如

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

  • 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 格式

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

详细说明请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有评估器都支持包含多变量或不等长序列的面板数据，详情请参阅标签参考。

y与 sktime 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

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

  • None : 预测是样本内的，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 折叠中获取。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（默认为 True）

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

  • 如果为 True，则将自身拟合到完整的 X 和 y，最终状态将等同于运行 fit(X, y)

返回：
y_pred形状为 [n_instances, n_classes] 的 2D int np.array

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)[source]#

从类中获取类标签值，带标签级别继承。

每个与 scikit-base 兼容的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。

它从对象中返回名称为 tag_name 的标签值，考虑标签覆盖，按以下降序优先级排列

  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。

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

要检索可能带有实例覆盖的标签值，请使用 get_tag 方法代替。

参数：
tag_namestr

标签值的名称。

tag_value_default任意类型

如果找不到标签，则为默认/备用值。

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()[source]#

从类中获取类标签，带标签级别继承。

每个与 scikit-base 兼容的对象都有一个标签字典。标签可用于存储有关对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是对象构造后不会更改的静态标志。

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。

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，覆盖按以下降序优先级排列

  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。

要检索可能带有实例覆盖的标签，请使用 get_tags 方法代替。

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

要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()[source]#

获取自身的配置标志。

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，它覆盖默认配置。

默认配置在类或其父类的类属性 _config 中设置，并通过 set_config 设置的动态配置进行覆盖。

配置在 clone 或 reset 调用中被保留。

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]#

获取拟合参数。

所需状态

要求状态为“已拟合” (fitted)。

参数：
deepbool，默认为 True

是否返回组件的拟合参数。

  • 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 类型参数）的拟合参数。

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

返回：
fitted_paramsstr 键的 dict

拟合参数的字典，paramname : paramvalue 键值对包括

  • 总是：此对象的所有拟合参数，通过 get_param_names 方式获取，值是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 的所有参数都显示为 paramname 及其值

  • 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]#

获取对象的参数默认值。

返回：
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)[source]#

获取对象的参数名称。

参数：
sortbool，默认为 True

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

返回：
param_names: list[str]

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)[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（= BaseObject 类型参数）的参数。

  • 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 键的 dict

参数字典，paramname : paramvalue 键值对包括

  • 总是：此对象的所有参数，通过 get_param_names 方式获取，值是此对象该键的参数值，值总是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 的所有参数都显示为 paramname 及其值

  • 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，带标签级别继承和覆盖。

每个与 scikit-base 兼容的对象都有一个标签字典。标签可用于存储有关对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是对象构造后不会更改的静态标志。

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，按以下降序优先级排列

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

在实例构造时。

  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。

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，则为默认/备用值

raise_errorbool

找不到标签时是否引发 ValueError 异常

返回：
tag_valueAny

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：
ValueError，如果 raise_error 为 True。

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

get_tags()[source]#

从实例中获取标签，带标签级别继承和覆盖。

每个与 scikit-base 兼容的对象都有一个标签字典。标签可用于存储有关对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是对象构造后不会更改的静态标志。

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 设置的标签的键。

值是相应的标签值，覆盖按以下降序优先级排列

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

在实例构造时。

  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。

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。

is_composite()[source]#

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，因为这可能因实例而异。

返回：
compositebool

对象的任何参数值是否为 BaseObject 的派生实例。

property is_fitted[source]#

fit 是否已被调用。

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

评估器是否已 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：
反序列化自身，结果输出到 path，相当于 cls.save(path) 的输出
classmethod load_from_serial(serial)[源]#

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：
反序列化自身，结果输出 serial，相当于 cls.save(None) 的输出
predict(X)[源]#

预测 X 中序列的标签。

参数：
X与 sktime 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 格式，例如

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

  • 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 格式

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

详细说明请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有评估器都支持包含多变量或不等长序列的面板数据，详情请参阅标签参考。

返回：
y_pred与 sktime 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]。

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。

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

predict_proba(X)[源]#

预测 X 中序列的标签概率。

参数：
X与 sktime 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 格式，例如

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

  • 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 格式

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

详细说明请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有评估器都支持包含多变量或不等长序列的面板数据，详情请参阅标签参考。

返回：
y_pred形状为 [n_instances, n_classes] 的 2D int np.array

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_ 中的顺序相同。条目是预测类别概率，总和为 1。

reset()[源]#

将对象重置为干净的初始化后状态。

将自身重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 调用会删除任何对象属性，除了

  • 超参数 = 写入自身的 __init__ 参数，例如 self.paramname，其中 paramname 是 __init__ 的一个参数

  • 包含双下划线，即字符串 “__” 的对象属性。例如，名为 “__myattr” 的属性会被保留。

  • 配置属性，配置会原样保留。也就是说，在 reset 之前和之后调用 get_config 的结果是相同的。

类方法和对象方法，以及类属性也不受影响。

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

在调用 self.reset() 后，自身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，但保留当前超参数值。

save(path=None, serialization_format='pickle')[源]#

将序列化的自身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自身；如果 path 是文件位置，则将自身存储在该位置作为 zip 文件

保存的文件是 zip 文件，包含以下内容：_metadata - 包含自身的类，即 type(self)；_obj - 序列化自身。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，则自身保存到内存对象；如果为文件位置，则自身保存到该文件位置。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”，则会生成一个 zip 文件 estimator.zip，保存在

/home/stored/ 中。

serialization_format: str，默认值 = “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 - 内存中的序列化自身
如果 path 是文件位置 - 指向该文件的 ZipFile 对象
score(X, y) → float[源]#

评估预测标签相对于 X 上的真实标签的得分。

参数：
X与 sktime 兼容的 Panel scitype 时间序列面板数据容器

用于评分预测标签的时间序列。

可以是 Panel scitype 的任何 mtype 格式，例如

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

  • 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 格式

mtype 列表请参阅 datatypes.SCITYPE_REGISTER

详细说明请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有评估器都支持包含多变量或不等长序列的面板数据，详情请参阅标签参考。

y与 sktime 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

返回：
float，predict(X) 与 y 相比的准确率分数
set_config(**config_dict)[源]#

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 kernel 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，是否只列出与默认值不同的自身参数 (True)，或列出所有参数名称和值 (False)。不进行嵌套，即只影响自身，不影响组件评估器。

warningsstr，“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:parallelstr，可选，默认值=”None”

广播/向量化时用于并行处理的后端，以下之一

  • “None”：按顺序执行循环，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，需要环境中安装 dask 包

  • “ray”：使用 ray，需要环境中安装 ray 包

backend:parallel:paramsdict，可选，默认值={} (不传递任何参数)

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。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，则默认为 -1，其他参数默认为 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 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 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 logger 名称。

    • “mute_warnings”：bool，默认值=False；如果为 True，则抑制警告

返回：
self对自身的引用。

注意

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

set_params(**params)[源]#

设置此对象的参数。

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，也可以使用不带 <component>__ 的字符串 <parameter>，例如，没有两个组件的参数具有相同的名称 <parameter>。

参数：
**paramsdict

BaseObject 参数，键必须是 <component>__<parameter> 字符串。__ 后缀如果其在 get_params 键中唯一，可以作为完整字符串的别名。

返回：
self对自身（参数设置后）的引用
set_random_state(random_state=None, deep=True, self_policy='copy')[源]#

为自身设置 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 将它们设置为从输入的 random_state 派生的整数。这些整数通过 sample_dependent_seed 从链式哈希中采样，保证了种子随机生成器的伪随机独立性。

根据 self_policy 应用于自身的 random_state 参数，并且仅当 deep=True 时应用于剩余的组件对象。

注意：即使自身没有 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=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。

deepbool，默认为 True

是否在值为 skbase 对象的参数中设置随机状态，即组件评估器。

  • 如果为 False，则仅设置自身的 random_state 参数（如果存在）。

  • 如果为 True，也会在组件对象中设置 random_state 参数。

self_policystr，以下之一 {“copy”, “keep”, “new”}，默认值=”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

返回：
self对自身的引用
set_tags(**tag_dict)[源]#

将实例级别标签覆盖设置为给定值。

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

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会改变。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，即在构造期间或通过 __init__ 直接构造后调用。

当前标签值可以通过 get_tags 或 get_tag 查看。

参数：
**tag_dictdict

标签名称 : 标签值 对的字典。

返回：
Self

对自身的引用。