BaseTimeSeriesLloyds#

class BaseTimeSeriesLloyds(n_clusters: int = 8, init_algorithm: str | Callable = 'random', metric: str | Callable = 'euclidean', n_init: int = 10, max_iter: int = 300, tol: float = 1e-06, verbose: bool = False, random_state: int | RandomState = None, distance_params: dict = None)[source]#

实现了时间序列 Lloyds 算法的抽象类。

参数:
n_clusters: int, 默认值 = 8

要形成的簇的数量以及要生成的中心点数量。

init_algorithm: str, np.ndarray (形状为 (n_clusters, n_dimensions,

series_length)) 的 3 维数组), 默认值 = ‘forgy’ 初始化簇中心的方法或初始簇中心数组。以下字符串均有效：[‘kmeans++’, ‘random’, ‘forgy’]

metric: str 或 Callable, 默认值 = ‘dtw’

用于计算时间序列之间相似度的距离度量。以下任何一个都有效：[‘dtw’, ‘euclidean’, ‘erp’, ‘edr’, ‘lcss’, ‘squared’, ‘ddtw’, ‘wdtw’, ‘wddtw’]

n_init: int, 默认值 = 10

k-means 算法将使用不同的中心点种子运行的次数。最终结果将是 n_init 次连续运行中惯性最佳的输出。

max_iter: int, 默认值 = 30

单次运行中 k-means 算法的最大迭代次数。

tol: float, 默认值 = 1e-6

对于两次连续迭代中簇中心的差异的 Frobenius 范数的相对容忍度，用于声明收敛。

verbose: bool, 默认值 = False

冗余模式。

random_state: int 或 np.random.RandomState 实例或 None, 默认值 = None

确定中心点初始化的随机数生成。

distance_params: dict, 默认值 = None

包含所使用距离度量的 kwargs 的字典。

属性:
cluster_centers_: np.ndarray (形状为 (n_clusters, n_dimensions,

series_length)) 的 3 维数组) 表示每个簇中心的时间序列。如果算法在完全收敛之前停止，这些将与 labels_ 不一致。

labels_: np.ndarray (形状为 (n_instance,)) 的 1 维数组)

表示每个时间序列所属簇索引的标签。

inertia_: float

样本到其最近簇中心的平方距离之和，如果提供了样本权重，则按样本权重加权。

n_iter_: int

运行的迭代次数。

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])

创建所有测试实例的列表及其名称列表。

fit(X[, y])

将时间序列聚类器拟合到训练数据。

fit_predict(X[, y])

计算簇中心并预测每个时间序列的簇索引。

get_class_tag(tag_name[, tag_value_default])

从类获取类标签值，具有来自父类的标签级别继承。

get_class_tags()

从类获取类标签，具有来自父类的标签级别继承。

get_config()

获取 self 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 skbase 对象的测试参数设置。

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[, y])

预测 X 中每个样本所属的最接近的簇。

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 保存到字节类对象或 (.zip) 文件。

score(X[, y])

评估聚类器的质量。

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。
check_is_fitted(method_name=None)[source]#

检查估计器是否已拟合。

检查估计器是否已拟合。is_fitted 属性应在调用对象的 fit 方法时设置为 True。

如果未拟合，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()[source]#

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，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，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。

引发:
如果克隆不符合规范，由于有缺陷的 __init__，则引发 RuntimeError。
clone_tags(estimator, tag_names=None)[source]#

从另一个对象克隆标签作为动态覆盖。

每个兼容 scikit-base 的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。

标签是特定于实例 self 的键值对，它们是对象构建后不会更改的静态标志。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

clone_tags 方法应仅在对象构建期间或通过 __init__ 直接在构建后调用对象的 __init__ 方法中。

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 进行检查。

参数:
estimator:class:BaseObject 或其派生类的实例
tag_namesstr 或 list of str, 默认值 = None

要克隆的标签名称。None 的默认值克隆 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。如果某个值没有定义特殊参数，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]#

创建所有测试实例的列表及其名称列表。

参数:
parameter_setstr, 默认值=”default”

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

返回:
objscls 实例列表

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

nameslist of str, 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=None)[source]#

将时间序列聚类器拟合到训练数据。

状态改变

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:
XPanel scitype 的 sktime 兼容时间序列面板数据容器

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: 列为变量，索引为 pd.MultiIndex 的 pd.DataFrame，其中第一级为实例索引，第二级为时间索引

  • 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

mtype 列表，请参见 datatypes.SCITYPE_REGISTER

具体规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详细信息请参见标签参考。

y被忽略，存在是为了 API 一致性。
返回:
self对 self 的引用。
fit_predict(X, y=None) → ndarray[source]#

计算簇中心并预测每个时间序列的簇索引。

便捷方法；等同于先调用 fit(X) 再调用 predict(X)

参数:
XPanel scitype 的 sktime 兼容时间序列面板数据容器

要聚类的时间序列。

可以是 Panel scitype 的任何 mtype，例如

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

  • 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

mtype 列表，请参见 datatypes.SCITYPE_REGISTER

具体规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详细信息请参见标签参考。

y: 被忽略，存在是为了 API 一致性。
返回:
np.ndarray (形状为 (n_instances,)) 的 1 维数组)

X 中每个时间序列所属簇的索引。

classmethod get_class_tag(tag_name, tag_value_default=None)[source]#

从类获取类标签值，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，用于存储有关对象的元数据。

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。

它返回对象中名为tag_name的标签值，同时考虑到标签覆盖，优先级降序如下：

  1. 类中的_tags属性中设置的标签。

  2. 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。

要检索包含可能的实例覆盖的标签值，请改用get_tag方法。

参数:
tag_namestr

标签值的名称。

tag_value_default任意类型

如果找不到标签，则使用的默认/备用值。

返回:
tag_value

self中名为tag_name的标签值。如果找不到，则返回tag_value_default。

classmethod get_class_tags()[source]#

从类获取类标签，具有来自父类的标签级别继承。

每个兼容 scikit-base 的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。

标签是特定于实例 self 的键值对，它们是对象构建后不会更改的静态标志。

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，其中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，覆盖的优先级降序如下：

  1. 类中的_tags属性中设置的标签。

  2. 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。

要检索包含可能的实例覆盖的标签，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。

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。不会被通过set_tags或clone_tags设置的动态标签覆盖。

get_config()[source]#

获取 self 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对象属性获取任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

获取已拟合的参数。

所需状态

要求状态为“已拟合”（fitted）。

参数:
deepbool, default=True

是否返回组件的已拟合参数。

  • 如果为 True，则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）的已拟合参数。

  • 如果为 False，则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_paramsdict with str-valued keys

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，通过 get_param_names 获取；值是此对象中该键的已拟合参数值

  • 如果deep=True，还包含组件参数的键/值对，组件参数以[componentname]__[paramname]的形式索引，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的所有在__init__中定义了默认值的参数。值是默认值，如__init__中所定义。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:
sortbool, default=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, default=True

是否返回组件的参数。

  • 如果为True，则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，则返回此对象的参数名称 : 值dict，但不包括组件的参数。

返回:
paramsdict with str-valued keys

参数字典，paramname : paramvalue 键值对包括

  • 始终：此对象的所有参数，通过get_param_names获取；值是此对象中该键的参数值；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，组件参数以[componentname]__[paramname]的形式索引，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]#

从实例获取标签值，具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。标签可用于存储关于对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是对象构建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的单个标签的值，同时考虑标签覆盖，优先级降序如下：

  1. 通过set_tags或clone_tags在实例上设置的标签，

在实例构建时。

  1. 类中的_tags属性中设置的标签。

  2. 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任意类型，可选； default=None

如果找不到标签，则使用的默认/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。

当tag_name不在self.get_tags().keys()中时，则会引发ValueError。

get_tags()[source]#

从实例获取标签，具有标签级别继承和覆盖。

每个兼容 scikit-base 的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。

标签是特定于实例 self 的键值对，它们是对象构建后不会更改的静态标志。

get_tags方法返回一个标签字典，其中键是类或其任何父类中设置的任何_tags属性的键，或者通过set_tags或clone_tags设置的标签。

值是相应的标签值，覆盖的优先级降序如下：

  1. 通过set_tags或clone_tags在实例上设置的标签，

在实例构建时。

  1. 类中的_tags属性中设置的标签。

  2. 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。

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

返回 skbase 对象的测试参数设置。

get_test_params是一个统一的接口点，用于存储用于测试目的的参数设置。此函数也用于create_test_instance和create_test_instances_and_names中构造测试实例。

get_test_params应该返回一个单独的dict，或者一个list of dict。

每个dict都是用于测试的参数配置，可用于构造一个“有趣”的测试实例。对于get_test_params返回中的所有字典params，调用cls(**params)应该是有效的。

get_test_params不必返回固定的字典列表，它也可以返回动态或随机的参数设置。

参数:
parameter_setstr, 默认值=”default”

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

返回:
paramsdict or list of dict, default = {}

用于创建类的测试实例的参数。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

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:
composite: bool

对象是否有任何参数的值是BaseObject的后代实例。

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，并在调用对象的fit方法时设置为 True。

返回:
bool

估计器是否已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:
反序列化的 self，结果是cls.save(path)在path处输出的内容
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 self，结果是cls.save(None)输出的serial
predict(X, y=None) → ndarray[source]#

预测 X 中每个样本所属的最接近的簇。

参数:
XPanel scitype 的 sktime 兼容时间序列面板数据容器

要聚类的时间序列。

可以是 Panel scitype 的任何 mtype，例如

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

  • 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

mtype 列表，请参见 datatypes.SCITYPE_REGISTER

具体规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详细信息请参见标签参考。

y: 被忽略，存在是为了 API 一致性。
返回:
np.ndarray (形状为 (n_instances,)) 的 1 维数组)

X 中每个时间序列所属簇的索引。

predict_proba(X)[source]#

预测 X 中序列的标签概率。

默认行为是调用 _predict 并将预测的类概率设置为 1，其他类概率设置为 0。如果可以获得更好的估计值，则覆盖此方法。

参数:
XPanel scitype 的 sktime 兼容时间序列面板数据容器

要聚类的时间序列。

可以是 Panel scitype 的任何 mtype，例如

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

  • 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

mtype 列表，请参见 datatypes.SCITYPE_REGISTER

具体规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详细信息请参见标签参考。

返回:
y形状为 [n_instances, n_classes] 的 2D 数组 - 预测的类概率

第 1 维索引对应于 X 中的实例索引；第 2 维索引对应于可能的标签（整数）；(i, j) 项表示第 i 个实例属于类别 j 的预测概率

reset()[source]#

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直接所处的状态，使用相同的超参数。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 = __init__的参数，写入到self中，例如self.paramname，其中paramname是__init__的参数

  • 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，配置会保留而不会改变。也就是说，reset前后get_config的结果是相同的。

类和对象方法，以及类属性也不会受到影响。

与clone等效，不同之处在于reset修改self而不是返回新对象。

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:
self

类的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')[source]#

将序列化的 self 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 self；如果path是文件位置，则将 self 存储在该位置为 zip 文件

保存的文件是 zip 文件，内容如下：_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法（pickle）。

参数:
pathNone 或 文件位置 (str 或 Path)

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

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

  • path="/home/stored/estimator"，则将在

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

serialization_format: str, default = “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是文件位置 - 引用该文件的 ZipFile
score(X, y=None) → float[source]#

评估聚类器的质量。

参数:
Xnp.ndarray (2d 或 3d 数组，形状为 (n_instances, series_length) 或

形状为 (n_instances, n_dimensions, series_length)) 或 pd.DataFrame (其中每列是一个维度，每个单元格是一个 pd.Series (任意数量的维度，相等或不等长的序列))。用于训练聚类器，然后返回每个时间序列实例所属的索引。

y: 被忽略，存在是为了 API 一致性。
返回:
scorefloat

聚类器的分数。

set_config(**config_dict)[source]#

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 内核如何显示 self 的实例

  • “diagram” = html 框图表示

  • “text” = 字符串打印输出

print_changed_onlybool, default=True

打印 self 时是否只列出自参数与默认值不同的参数（False），还是列出所有参数名称和值（False）。不嵌套，即仅影响 self，不影响组件估计器。

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, optional, default=”None”

广播/矢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

  • “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，环境需要dask包

  • “ray”：使用ray，环境需要ray包

backend:parallel:paramsdict, optional, default={} (未传递参数)

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，忽略backend_params

  • “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，default=True；False 可防止ray在并行化后关闭。

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

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

    • 将警告

返回:
self对 self 的引用。

备注

更改对象状态，将 config_dict 中的配置复制到 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>。如果引用是明确的，也可以使用不带<component>__的字符串<parameter>，例如组件参数中没有两个参数同名<parameter>。

参数:
**paramsdict

BaseObject 参数，键必须是<component>__<parameter>字符串。__后缀可以别名为完整的字符串，如果在 get_params 键中唯一。

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]#

为 self 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将其设置为从random_state派生的整数，派生过程通过sample_dependent_seed进行链式哈希采样，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，并且仅当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，即使是那些没有random_state参数的对象。

参数:
random_stateint, RandomState 实例或 None, default=None

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

deepbool, default=True

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, default=”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，

由输入的random_state派生，通常与它不同

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，用于存储有关对象的元数据。

标签是特定于实例self的键值对，它们是构建对象后不更改的静态标志。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的值。

set_tags方法应仅在对象的__init__方法中，在构建期间或通过__init__后直接调用。

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数:
**tag_dictdict

标签名称：标签值对的字典。

返回:
Self

对 self 的引用。