TimeSeriesSVC#

class TimeSeriesSVC(kernel=None, kernel_params=None, kernel_mtype=None, C=1, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape='ovr', break_ties=False, random_state=None)[source]#

支持向量分类器，用于时间序列核函数。

scikit-learn SVC 用于时间序列数据的改编版本。

任何 sktime 成对（pairwise）变换器都可以用作核函数，包括时间序列核函数和对“展平”时间序列的标准核函数。

注意：通常，SVC 文献假设核函数是半正定的。然而，任何成对变换器都可以作为核函数传递，包括距离函数。这仍然会产生分类结果，但性能可能不受保证。

参数:

kernelpairwise panel transformer 或可调用对象，可选，默认值见下文: 继承自 BasePairwiseTransformerPanel 的成对面板变换器，或可调用对象，必须具有签名 (X: Panel, X2: Panel) -> np.ndarray 如果 X 是包含 m 个 Series 的 Panel，X2 包含 n 个 Series，则输出必须是 mxn 数组；如果未设置 distance_mtype，则必须能够接受 X, X2 为 pd_multiindex 和 numpy3D mtype 默认 = 均值欧氏核函数，与 AggrDist(RBF()) 相同，其中 AggrDist 来自 sktime，RBF 来自 sklearn
kernel_paramsdict, 可选。默认 = None.: 如果距离是一个可调用对象，则为距离参数的字典
kernel_mtypestr，或 str 列表，可选。默认 = None.: kernel 期望 X 和 X2 的 mtype，如果 kernel 是可调用对象，则仅当 kernel 不是 BasePairwiseTransformerPanel 的后代时设置此参数
Cfloat, 默认=1.0: 正则化参数。正则化的强度与 C 成反比。必须是严格正数。惩罚项是平方 L2 惩罚。
shrinkingbool, 默认=True: 是否使用 shrinking 启发式算法。
probabilitybool, 默认=False: 是否启用概率估计。必须在调用 fit 之前启用此选项，因为它内部使用 5 折交叉验证，会减慢该方法的速度，并且 predict_proba 可能与 predict 不一致。
tolfloat, 默认=1e-3: 停止标准的容差。
cache_sizefloat, 默认=200: 指定核函数缓存的大小（单位 MB）。
class_weightdict 或 ‘balanced’，默认=None: 为 SVC 设置类 i 的参数 C 为 class_weight[i]*C。如果未给出，所有类都假定权重为 1。“balanced”模式使用 y 的值根据输入数据中类频率的倒数自动调整权重，计算公式为 n_samples / (n_classes * np.bincount(y))。
verbosebool, 默认=False: 启用详细输出。请注意，此设置利用了 libsvm 中按进程划分的运行时设置，如果启用，在多线程环境中可能无法正常工作。
max_iterint, 默认=-1: 求解器内部迭代的硬限制，或 -1 表示无限制。
decision_function_shape{'ovo', 'ovr'}, 默认=’ovr’: 是否返回一个形状为 (n_samples, n_classes) 的一对多 (‘ovr’) 决策函数（与其他所有分类器一样），还是返回 libsvm 原始的形状为 (n_samples, n_classes * (n_classes - 1) / 2) 的一对一 (‘ovo’) 决策函数。然而，一对一 (‘ovo’) 始终用作多类策略。此参数对于二分类会被忽略。
break_tiesbool, 默认=False: 如果为 true，decision_function_shape='ovr'，并且类别数 > 2，则 predict 将根据 decision_function 的置信度值来打破平局；否则返回平局类别中的第一个类别。请注意，打破平局相比简单预测会带来相对较高的计算成本。
random_stateint, RandomState 实例或 None, 默认=None: 控制用于打乱数据以进行概率估计的伪随机数生成。当 probability 为 False 时忽略。传递一个 int 值可以在多次函数调用中获得可重现的输出。

属性:

is_fitted: 是否已调用 fit。

示例

>>> from sktime.classification.kernel_based import TimeSeriesSVC
>>> from sklearn.gaussian_process.kernels import RBF
>>> from sktime.dists_kernels import AggrDist
>>> from sktime.datasets import load_unit_test
>>> X_train, y_train = load_unit_test(return_X_y=True, split="train")
>>> X_test, y_test = load_unit_test(return_X_y=True, split="test")
>>>
>>> mean_gaussian_tskernel = AggrDist(RBF())
>>> classifier = TimeSeriesSVC(kernel=mean_gaussian_tskernel)
>>> classifier.fit(X_train, y_train)
TimeSeriesSVC(...)
>>> y_pred = classifier.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])	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建一个类实例。
`create_test_instances_and_names`([parameter_set])	创建所有测试实例列表和它们的名称列表。
`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])	对 X 中的序列进行拟合和预测标签。
`fit_predict_proba`(X, y[, cv, change_state])	对 X 中的序列进行拟合和预测标签概率。
`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别继承。
`get_class_tags`()	从类中获取类标签，具有来自父类的标签级别继承。
`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`()	将对象重置到初始化后的干净状态。
`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, ...])	设置自身的 random_state 伪随机数种子参数。
`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')[source]#

返回估计器的测试参数设置。

参数:

parameter_setstr, 默认=”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，应为一般测试提供“default”参数集，如果一般参数集不能产生适合比较的概率，则为比较先前记录结果提供“results_comparison”集。

返回:

paramsdict 或 dict 列表，默认={}: 用于创建类测试实例的参数。每个 dict 是用于构建“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]#

检查估计器是否已拟合。

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

克隆是具有相同超参数和配置的不同对象，不共享引用，处于初始化后状态。此函数等同于返回 sklearn.clone 的 self。

等同于构造一个新的 type(self) 实例，其参数与 self 相同，即 type(self)(**self.get_params(deep=False))。

如果 self 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，除了 clone 返回新对象，而不是像 reset 那样修改 self。

引发:

如果克隆不符合规范，则引发 RuntimeError，因为 __init__ 有错误。

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

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，在对象构造后不会更改。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

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

动态标签被设置为 estimator 中指定在 tag_names 中的标签的值。

tag_names 的默认值会将 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 或派生类的实例
tag_namesstr 或 str 列表，默认 = 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建一个类实例。

参数:

parameter_setstr, 默认=”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。

返回:

instance具有默认参数的类实例

classmethod create_test_instances_and_names(parameter_set='default')[source]#

创建所有测试实例列表和它们的名称列表。

参数:

parameter_setstr, 默认=”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。

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，命名约定是 {cls.__name__}-{i}，否则是 {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:

X sktime 兼容的时间序列面板数据容器，scitype 为 Panel

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，第一级 = 实例索引，第二级 = 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 的形式

mtypes 列表，请参见 datatypes.SCITYPE_REGISTER

规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详情请参见 tag 参考。

y sktime 兼容的表格数据容器，scitype 为 Table

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 级索引对应于 X 中的实例索引 1 级索引（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]#

对 X 中的序列进行拟合和预测标签。

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。

写入 self，如果 change_state=True: 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 sktime 兼容的时间序列面板数据容器，scitype 为 Panel

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，第一级 = 实例索引，第二级 = 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 的形式

mtypes 列表，请参见 datatypes.SCITYPE_REGISTER

规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详情请参见 tag 参考。

y sktime 兼容的表格数据容器，scitype 为 Table

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 级索引对应于 X 中的实例索引 1 级索引（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=None

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 X_train, y_train, X_test 通过 cv 折叠获得多组；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
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 取自 self（如果存在），否则 x=None

change_statebool, 可选 (默认=True)

如果为 False，将不会改变分类器的状态，即 fit/predict 序列是使用副本运行的，self 不会改变
如果为 True，将把 self 拟合到完整的 X 和 y 上，结束状态将等同于运行 fit(X, y)

返回:

y_predsktime 兼容的表格数据容器，scitype 为 Table

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 级索引对应于 X 中的实例索引，1 级索引（如果适用）对应于 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 中传入的 y 类型相同

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

对 X 中的序列进行拟合和预测标签概率。

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。

写入 self，如果 change_state=True: 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 sktime 兼容的时间序列面板数据容器，scitype 为 Panel

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，第一级 = 实例索引，第二级 = 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 的形式

mtypes 列表，请参见 datatypes.SCITYPE_REGISTER

规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详情请参见 tag 参考。

y sktime 兼容的表格数据容器，scitype 为 Table

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 级索引对应于 X 中的实例索引 1 级索引（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=None

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 X_train, y_train, X_test 通过 cv 折叠获得多组；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
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 取自 self（如果存在），否则 x=None

change_statebool, 可选 (默认=True)

如果为 False，将不会改变分类器的状态，即 fit/predict 序列是使用副本运行的，self 不会改变
如果为 True，将把 self 拟合到完整的 X 和 y 上，结束状态将等同于运行 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 级索引对应于 X 中的实例索引 1 级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别继承。

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。

它返回对象中名为 tag_name 的标签值，考虑标签覆盖，优先级降序排列如下：

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，

按继承顺序排列。

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

要检索具有潜在实例覆盖的标签值，请使用 get_tag 方法代替。

参数:

tag_namestr: 标签值的名称。
tag_value_default任何类型: 如果未找到标签，则为默认/回退值。

返回:

tag_value: self 中 tag_name 标签的值。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别继承。

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，在对象构造后不会更改。

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任何 _tags 属性的键。

值是相应的标签值，按优先级降序排列如下：

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，

按继承顺序排列。

实例可以根据超参数覆盖这些标签。

要检索具有潜在实例覆盖的标签，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。

要包含动态标签的覆盖，请使用 get_tags。

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()[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，这些配置会覆盖默认配置。

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

配置在 clone 或 reset 调用时保留。

返回:

config_dictdict: 配置名 : 配置值对的字典。通过嵌套继承从 _config 类属性收集，然后包含 _onfig_dynamic 对象属性中的任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

获取拟合参数。

所需状态: 要求状态为“已拟合”。

参数:

deepbool, 默认=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:值字典，包括可拟合组件（= BaseEstimator 值参数）的拟合参数。
如果为 False，将返回此对象的参数名:值字典，但不包括组件的拟合参数。

返回:

fitted_params键为 str 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，如通过 get_param_names 获得的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，组件参数的索引为 [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=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)。

返回:

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

是否返回组件的参数。

如果为 True，将返回此对象的参数名:值 dict，包括组件（= BaseObject 值参数）的参数。
如果为 False，将返回此对象的参数名:值 dict，但不包括组件的参数。

返回:

params键为 str 的 dict

参数字典，paramname : paramvalue 键值对包括

总是：此对象的所有参数，如通过 get_param_names 获得的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，组件参数的索引为 [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]#

从实例获取标签值，具有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，在对象构造后不会更改。

get_tag 方法检索名为 tag_name 的单个标签值，考虑标签覆盖，优先级降序排列如下：

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时设置。

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，

按继承顺序排列。

参数:

tag_namestr: 要检索的标签名称
tag_value_default任何类型，可选；默认=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: self 中 tag_name 标签的值。如果未找到，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，则引发 ValueError。

get_tags()[source]#

从实例获取标签，具有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，按优先级降序排列如下：

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时设置。

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，

按继承顺序排列。

返回:

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，然后包含 _tags_dynamic 对象属性中的任何覆盖和新标签。

is_composite()[source]#

检查对象是否由其他 BaseObjects 组成。

复合对象是参数中包含其他对象的对象。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[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，并在对象的 fit 方法调用中设置为 True。

返回:

bool: 估计器是否已拟合。

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:

反序列化的自身，结果是 cls.save(path) 在 path 处的输出

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:

反序列化的自身，结果是 cls.save(None) 的输出 serial

predict(X)[source]#

预测 X 中序列的标签。

参数:

X sktime 兼容的时间序列面板数据容器，scitype 为 Panel

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，第一级 = 实例索引，第二级 = 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 的形式

mtypes 列表，请参见 datatypes.SCITYPE_REGISTER

规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详情请参见 tag 参考。

返回:

y_predsktime 兼容的表格数据容器，scitype 为 Table

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 级索引对应于 X 中的实例索引，1 级索引（如果适用）对应于 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 中传入的 y 类型相同

predict_proba(X)[source]#

预测 X 中序列的标签概率。

参数:

X sktime 兼容的时间序列面板数据容器，scitype 为 Panel

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，第一级 = 实例索引，第二级 = 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 的形式

mtypes 列表，请参见 datatypes.SCITYPE_REGISTER

规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详情请参见 tag 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 级索引对应于 X 中的实例索引 1 级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]#

将对象重置到初始化后的干净状态。

将 self 设置回构造函数调用后具有相同超参数的状态。set_config 设置的配置值也会保留。

reset 调用会删除所有对象属性，除了

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”的属性将被保留。
config 属性，configs 会保留不变。也就是说，调用 get_config 在调用 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，区别在于 reset 修改的是 self 而不是返回一个新对象。

调用 self.reset() 后，self 的值和状态与构造函数调用 ``type(self)(**self.get_params(deep=False))`` 后获得的对象相等。

返回:

self: 类实例被重置为干净的初始化后状态，但保留当前超参数值。

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

将序列化的自身保存到字节类对象或 (.zip) 文件。

行为：如果 path 是 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 存储到该位置作为 zip 文件。

保存的文件是 zip 文件，包含以下内容：_metadata - 包含 self 的类，即 type(self)；_obj - 序列化的 self。此类使用默认的序列化（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。

path=”estimator” 时，将在当前工作目录 (cwd) 生成一个 zip 文件 estimator.zip。
path=”/home/stored/estimator” 时，将在

/home/stored/ 中存储一个 zip 文件 estimator.zip。

serialization_format: str, 默认值 = “pickle”

用于序列化的模块。可选选项有 “pickle” 和 “cloudpickle”。请注意，非默认格式可能需要安装其他软依赖。

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

score(X, y) → float[source]#

评估预测标签与 X 上的真实标签的得分。

参数:

X sktime 兼容的时间序列面板数据容器，scitype 为 Panel

要为其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，第一级 = 实例索引，第二级 = 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 的形式

mtypes 列表，请参见 datatypes.SCITYPE_REGISTER

规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板，详情请参见 tag 参考。

y sktime 兼容的表格数据容器，scitype 为 Table

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 级索引对应于 X 中的实例索引 1 级索引（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 相比的准确率得分。

set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数:

config_dictdict

config 名称 : config 值对的字典。有效的 configs、值及其含义如下所述：

displaystr, “diagram” (默认值), 或 “text”

jupyter 内核如何显示 self 的实例

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

print_changed_onlybool, 默认值=True

打印 self 时，是否只列出与默认值不同的 self 参数 (False)，或列出所有参数名称和值 (False)。不嵌套，即只影响 self 而不影响组件 estimator。

warningsstr, “on” (默认值), 或 “off”

是否引发警告，仅影响 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/向量化时用于并行处理的后端，选项之一：

“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, 默认值={} (未传递参数)

作为 config 传递给并行化后端的额外参数。有效键取决于 backend:parallel 的值

“None”: 没有额外参数，backend_params 被忽略
“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。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，它将默认为 -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”: ray.init 有效键的字典
- “shutdown_ray”: bool, 默认值=True; False 可防止 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 self 的引用。

注意

更改对象状态，将 config_dict 中的 configs 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 对象和复合对象。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>。如果引用清晰明确，也可以使用字符串 <parameter>（不带 <component>__），例如没有两个组件参数具有名称 <parameter>。

参数:

**paramsdict: BaseObject 参数，键必须是 <component>__<parameter> 字符串。__ 后缀可以作为完整字符串的别名，如果它们在 get_params 键中是唯一的。

返回:

self对 self 的引用（设置参数后）

set_random_state(random_state=None, deep=True, self_policy='copy')[source]#

设置自身的 random_state 伪随机数种子参数。

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。这些整数是通过 sample_dependent_seed 从链式哈希采样获得的，并保证种子随机生成器的伪随机独立性。

根据 self_policy 应用于 self 中的 random_state 参数，当且仅当 deep=True 时，也应用于剩余的组件对象。

注意：即使 self 没有 random_state 参数，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，即使那些没有 random_state 参数的对象。

参数:

random_stateint, RandomState 实例或 None, 默认=None

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

deepbool, 默认=True

是否在 skbase 对象值的参数中设置随机状态，即组件 estimator。

如果为 False，则仅设置 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_policystr, “copy”, “keep”, “new” 中的一个，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 设置为新的随机状态，

源自输入的 random_state，通常与输入值不同。

返回:

self对 self 的引用

set_tags(**tag_dict)[source]#

将实例级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，它们是构建对象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，字典值是要将标签设置为的值。

set_tags 方法应仅在对象的 __init__ 方法中（构建期间）或通过 __init__ 直接在构建后调用。

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 self 的引用。