TimeSeriesSVCTslearn

class TimeSeriesSVCTslearn(C=1.0, kernel='gak', degree=3, gamma='auto', coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, n_jobs=None, verbose=0, max_iter=-1, decision_function_shape='ovr', random_state=None)

时间序列支持向量分类器，来自 tslearn。

直接接口到 tslearn.svm.svm.TimeSeriesSVC。

参数:

Cfloat，可选（默认=1.0）

误差项的惩罚参数 C。

kernelstring，可选（默认='gak'）

指定算法中使用的核类型。它必须是“gak”或 sklearn.svm.SVC 接受的核之一。如果未给出，将使用“gak”。如果给出了一个可调用对象，则它用于从数据矩阵预计算核矩阵；该矩阵应为形状 (n_samples, n_samples) 的数组。

degreeint，可选（默认=3）

多项式核函数 ('poly') 的次数。所有其他核都会忽略此参数。

gammafloat，可选（默认='auto'）

'gak'、'rbf'、'poly' 和 'sigmoid' 的核系数。如果 gamma 为 'auto'，则

• 对于 'gak' 核，它是根据训练集的采样 tslearn.metrics.gamma_soft_dtw 计算的

• 对于其他核（例如 'rbf'），将使用 1/n_features。

coef0float，可选（默认=0.0）

核函数中的独立项。仅在 'poly' 和 'sigmoid' 中有意义。

shrinkingboolean，可选（默认=True）

是否使用收缩启发式算法。

probabilityboolean，可选（默认=False）

是否启用概率估计。必须在调用 fit 之前启用此选项，这将减慢该方法。此外，概率估计不保证与预测输出匹配。有关更多详细信息，请参阅我们的专门用户指南章节。

tolfloat，可选（默认=1e-3）

停止标准的容差。

cache_sizefloat，可选（默认=200.0）

指定核缓存的大小（以 MB 为单位）。

class_weight{dict, ‘balanced’}，可选

将 SVC 的类别 i 的参数 C 设置为 class_weight[i]*C。如果未给出，则所有类别都被假定具有权重一。“balanced”模式使用 y 的值自动调整权重，使其与输入数据中类别的频率成反比，计算方法为 n_samples / (n_classes * np.bincount(y))

n_jobsint 或 None，可选（默认=None）

用于 GAK 交叉相似度矩阵计算的并行运行作业数。None 表示 1，除非在 joblib.parallel_backend 环境中。-1 表示使用所有处理器。有关更多详细信息，请参阅 scikit-learn 的术语表。

verboseint，默认值：0

启用详细输出。请注意，此设置利用了 libsvm 中每个进程的运行时设置，如果启用，在多线程环境中可能无法正常工作。

max_iterint，可选（默认=-1）

求解器内迭代的硬限制，或 -1 表示无限制。

decision_function_shape‘ovo’，‘ovr’，默认值='ovr'

是返回与其他所有分类器一样形状为 (n_samples, n_classes) 的 one-vs-rest ('ovr') 决策函数，还是返回 libsvm 原始的形状为 (n_samples, n_classes * (n_classes - 1) / 2) 的 one-vs-one ('ovo') 决策函数。

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

用于洗牌数据的伪随机数生成器的种子。如果为 int，则 random_state 是随机数生成器使用的种子；如果为 RandomState 实例，则 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:

support_类数组，形状 = [n_SV]

支持向量的索引。

n_support_类数组，dtype=int32，形状 = [n_class]

每个类别的支持向量数量。

support_vectors_形状为 [n_SV, sz, d] 的数组列表

tslearn 数据集格式的支持向量列表，每个类别一个数组

dual_coef_数组，形状 = [n_class-1, n_SV]

决策函数中支持向量的系数。对于多类别，所有 1 对 1 分类器的系数。多类别情况下系数的布局有点复杂。有关详细信息，请参阅 sklearn 用户指南 SVM 部分中关于多类别分类的章节。

coef_数组，形状 = [n_class-1, n_features]

赋予特征的权重（原始问题中的系数）。仅在线性核情况下可用。coef_ 是从 dual_coef_ 和 support_vectors_ 派生的只读属性。

intercept_数组，形状 = [n_class * (n_class-1) / 2]

决策函数中的常数。

svm_estimator_sklearn.svm.SVC

底层的 sklearn 估计器

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，并从父类继承标签级别。
get_class_tags()	从类中获取类标签，并从父类继承标签级别。
get_config()	获取自身的配置标志。
get_fitted_params([deep])	获取已拟合的参数。
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，带有标签级别继承和覆盖。
get_tags()	从实例中获取标签，带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 BaseObject 组成。
load_from_path(serial)	从文件位置加载对象。
load_from_serial(serial)	从序列化的内存容器加载对象。
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)	对预测标签与 X 上的真实标签进行评分。
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, ...])	设置自身的 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')

返回估计器的测试参数设置。

参数:

parameter_setstr，默认值=“default”

要返回的测试参数集名称，用于测试。如果未为值定义特殊参数，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 每个 dict 都是构建“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（或唯一的）字典

check_is_fitted(method_name=None)

检查估计器是否已拟合。

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。

参数:

method_namestr，可选

调用此函数的方法的名称。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()

获取具有相同超参数和配置的对象的克隆。

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

等效于构建 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，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())。

值上也等效于调用 self.reset，但有一个例外：clone 返回一个新对象，而不是像 reset 那样改变 self。

引发:

如果由于 __init__ 故障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 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__ 方法中调用，在构建期间，或者通过 __init__ 直接在构建之后调用。

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

tag_names 的默认行为是将 estimator 中的所有标签写入到 self 中。

可以通过 get_tags 或 get_tag 检查当前标签值。

estimator:class:BaseObject 或派生类的实例

参数:

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。

self

返回:

对 self 的引用。

classmethod create_test_instance(parameter_set='default')

要返回的测试参数集名称，用于测试。如果未为值定义特殊参数，将返回 “default” 集。

使用第一个测试参数集构建类的实例。

参数:

parameter_setstr，默认值=“default”

instance具有默认参数的类的实例

返回:

classmethod create_test_instances_and_names(parameter_set='default')

objscls 实例列表

创建所有测试实例列表及其名称列表。

参数:

parameter_setstr，默认值=“default”

instance具有默认参数的类的实例

返回:

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)

状态改变

将时间序列分类器拟合到训练数据。

将状态改为“已拟合”。

写入自身

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

参数:

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：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

• 有关 mtype 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持包含多变量或不等长序列的面板，有关详细信息，请参阅标签参考。

ysktime 兼容的表格数据容器，Table scitype

1D 可迭代对象，形状 [n_instances] 或 2D 可迭代对象，形状 [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对自身的引用。

返回:

self对自身的引用。

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

拟合并预测 X 中序列的标签。

用于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。

Xsktime 兼容的时间序列面板数据容器，Panel scitype

如果 change_state=False，则不更新状态。

参数:

用于拟合估计器的时间序列。

用于拟合和预测标签的时间序列。

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：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

• 有关 mtype 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持包含多变量或不等长序列的面板，有关详细信息，请参阅标签参考。

ysktime 兼容的表格数据容器，Table scitype

1D 可迭代对象，形状 [n_instances] 或 2D 可迭代对象，形状 [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对自身的引用。

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)，其中多个 X_train、y_train、X_test 通过 cv 折叠（folds）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。

• 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=True)

• 如果为 False，则不会改变分类器的状态，即 fit/predict 序列是使用一个副本运行的，self 不会改变。

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

返回:

y_predsktime 兼容的表格数据容器，科学类型 (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]。

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 y 是一元（一维）的，则是 1D np.npdarray；否则，与拟合 (fit) 时传入的 y 类型相同。

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

拟合并预测 X 中序列的标签概率。

用于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。

Xsktime 兼容的时间序列面板数据容器，Panel scitype

如果 change_state=False，则不更新状态。

参数:

用于拟合估计器的时间序列。

用于拟合和预测标签的时间序列。

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：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

• 有关 mtype 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持包含多变量或不等长序列的面板，有关详细信息，请参阅标签参考。

ysktime 兼容的表格数据容器，Table scitype

1D 可迭代对象，形状 [n_instances] 或 2D 可迭代对象，形状 [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对自身的引用。

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)，其中多个 X_train、y_train、X_test 通过 cv 折叠（folds）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。

• 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=True)

• 如果为 False，则不会改变分类器的状态，即 fit/predict 序列是使用一个副本运行的，self 不会改变。

• 如果为 True，则将 self 拟合到完整的 X 和 y 上，最终状态将等同于运行 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，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_ 中的条目相同，条目是预测的类别概率，总和为 1。

classmethod get_class_tag(tag_name, tag_value_default=None)

从类中获取类标签值，并从父类继承标签级别。

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，它仅考虑类级别的标签值和覆盖（overrides）来检索标签的值。

它从对象中返回名称为 tag_name 的标签的值，考虑标签覆盖，优先级按降序排列如下：

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，

按照继承顺序。

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。

要检索具有潜在实例覆盖的标签值，请改用 get_tag 方法。

参数:

tag_namestr

标签值的名称。

tag_value_defaultany type

如果找不到标签时的默认/备用值。

返回:

tag_value

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

classmethod get_class_tags()

从类中获取类标签，并从父类继承标签级别。

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 从另一个对象 estimator 设置动态标签覆盖。

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。

值是对应的标签值，覆盖优先级按降序排列如下：

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，

按照继承顺序。

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，请改用 get_tags 方法。

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。

要包含来自动态标签的覆盖，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。不受通过 set_tags 或 clone_tags 设置的动态标签的影响。

get_config()

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临时标志。

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 调用下会保留。

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)

获取已拟合的参数。

所需状态

要求状态为“fitted”。

参数:

deepbool，默认=True

是否返回组件的 fitted parameters。

• 如果为 True，将返回此对象的参数名称：值的字典，包括可拟合组件（即 BaseEstimator 类型的参数）的 fitted parameters。

• 如果为 False，将返回此对象的参数名称：值的字典，但不包括组件的 fitted parameters。

返回:

fitted_paramsdict with str-valued keys

Fitted parameters 字典，键值对 paramname : paramvalue 包括：

• 始终包含：此对象的所有 fitted parameters，通过 get_param_names 获取，值为此对象该键的 fitted parameter 值。

• 如果 deep=True，还包含组件参数的键/值对，组件参数通过 [componentname]__[paramname] 索引，componentname 的所有参数都以 paramname 形式出现并带其值。

• 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()

获取对象的参数默认值。

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。值是默认值，与 __init__ 中定义的一样。

classmethod get_param_names(sort=True)

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)，或者按它们在类的 __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，则按它们在类的 __init__ 中出现的顺序排列。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=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：值的 dict，包括组件（= BaseObject 类型的参数）的参数。

• 如果为 False，将返回此对象的参数名称：值的 dict，但不包括组件的参数。

返回:

paramsdict with str-valued keys

参数字典，键值对 paramname : paramvalue 包括：

• 始终包含：此对象的所有参数，通过 get_param_names 获取，值为此对象该键的参数值，这些值始终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，组件参数通过 [componentname]__[paramname] 索引，componentname 的所有参数都以 paramname 形式出现并带其值。

• 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)

从实例中获取标签值，带有标签级别继承和覆盖。

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 从另一个对象 estimator 设置动态标签覆盖。

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，优先级按降序排列如下：

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

在实例构造时设置的标签。

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，

按照继承顺序。

参数:

tag_namestr

要检索的标签的名称

tag_value_default任意类型，可选；默认=None

如果找不到标签时的默认/备用值

raise_errorbool

当找不到标签时是否引发 ValueError

返回:

tag_valueAny

self 中名称为 tag_name 的标签的值。如果找不到，则在 raise_error 为 True 时引发错误，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()

从实例中获取标签，带有标签级别继承和覆盖。

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 从另一个对象 estimator 设置动态标签覆盖。

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 设置的标签的键。

值是对应的标签值，覆盖优先级按降序排列如下：

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

在实例构造时设置的标签。

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，

按照继承顺序。

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 BaseObject 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:

composite: bool

对象是否有任何参数的值是 BaseObject 的后代实例。

property is_fitted

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

估计器是否已经 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 self，结果是 cls.save(path) 在 path 处的输出。

classmethod load_from_serial(serial)

从序列化的内存容器加载对象。

参数:

serialcls.save(None) 输出的第 1 个元素

返回:

反序列化的 self，结果是 cls.save(None) 的输出 serial。

predict(X)

预测 X 中序列的标签。

参数:

用于拟合估计器的时间序列。

用于预测标签的时间序列。

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：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

• 有关 mtype 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持包含多变量或不等长序列的面板，有关详细信息，请参阅标签参考。

ysktime 兼容的表格数据容器，Table scitype

返回:

y_predsktime 兼容的表格数据容器，科学类型 (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]。

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 y 是一元（一维）的，则是 1D np.npdarray；否则，与拟合 (fit) 时传入的 y 类型相同。

predict_proba(X)

预测 X 中序列的标签概率。

参数:

用于拟合估计器的时间序列。

用于预测标签的时间序列。

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：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

• 有关 mtype 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持包含多变量或不等长序列的面板，有关详细信息，请参阅标签参考。

ysktime 兼容的表格数据容器，Table scitype

返回:

y_pred2D np.array of int，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_ 中的条目相同，条目是预测的类别概率，总和为 1。

reset()

将对象重置为干净的初始化后状态。

将 self 设置为构造函数调用后立即拥有的状态，具有相同的超参数。通过 set_config 设置的配置值也会保留。

reset 调用会删除任何对象属性，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" 的属性会保留。

• 配置属性，配置保持不变。也就是说，reset 前后的 get_config 结果相等。

类和对象方法，以及类属性也不受影响。

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

在调用 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:

对 self 的引用。

类实例被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')

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，返回内存中的序列化 self；如果 path 是文件位置，则将 self 以 zip 文件形式存储在该位置。

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）。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，self 将保存到内存对象；如果为文件位置，self 将保存到该文件位置。例如，如果

• path="estimator"，则将在当前工作目录 (cwd) 创建一个 zip 文件 estimator.zip。

• path="/home/stored/estimator"，则将创建一个 zip 文件 estimator.zip 并

存储在 /home/stored/ 中。

serialization_format: str，默认 = "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 self。

如果 path 为文件位置 - 指向该文件的 ZipFile 对象。

score(X, y) → float

对预测标签与 X 上的真实标签进行评分。

参数:

用于拟合估计器的时间序列。

用于评分预测标签的时间序列。

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：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

• 有关 mtype 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持包含多变量或不等长序列的面板，有关详细信息，请参阅标签参考。

ysktime 兼容的表格数据容器，Table scitype

1D 可迭代对象，形状 [n_instances] 或 2D 可迭代对象，形状 [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对自身的引用。

返回:

float，predict(X) 与 y 相比的准确率得分。

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，“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，默认=True

打印 self 时是仅列出与默认值不同的 self 参数 (当参数为 True 时)，还是列出所有参数名称和值 (当参数为 False 时)。不进行嵌套，即仅影响 self 而不影响组件估计器。

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” = 将不引发来自 sktime 的警告

backend:parallelstr，可选，默认="None"

广播/向量化时用于并行化的后端之一：

• “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，可选，默认={} (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，此处可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，除了 backend 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，在此情况下，backend 必须作为 backend_params 的键传递。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 的有效键字典

  • “shutdown_ray”：bool，默认=True；False 防止 ray 在并行化后

    关闭。

  • “logger_name”：str，默认=”ray”；要使用的日志记录器名称。

  • “mute_warnings”：bool，默认=False；如果为 True，则禁止警告

返回:

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 对象以及复合对象。复合对象（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>。如果没有两个组件参数名称相同，也可以使用不带 <component>__ 的字符串 <parameter>，这样引用会更明确。

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对自身的引用 (参数设置后)

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

设置自身的 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 通过链式哈希 (chain hashing) sample_dependent_seed 派生的整数。这些整数保证了 seeded 随机生成器的伪随机独立性。

根据 self_policy，适用于 self 中的 random_state 参数，当且仅当 deep=True 时，也适用于其余组件对象。

注意：即使 self 没有 random_state，或者没有任何组件具有 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

用于控制随机整数生成的伪随机数生成器。传入 int 以实现多次函数调用之间的可重现输出。

deepbool，默认=True

是否在 skbase 对象值的参数（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，也将设置组件对象中的 random_state 参数。

self_policystr，之一 {"copy", "keep", "new"}，默认="copy"

• “copy”：self.random_state 设置为输入的 random_state

• “keep”：self.random_state 保持原样

• “new”：self.random_state 设置为一个新的随机状态，

从输入的 random_state 派生，并且通常与它不同。

返回:

self对自身的引用

set_tags(**tag_dict)

将实例级别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，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，在构造期间调用，或在通过 __init__ 构造后直接调用。

estimator:class:BaseObject 或派生类的实例

参数:

**tag_dictdict

标签名称：标签值对的字典。

返回:

Self

对自身的引用。