STDBSCAN#

类 STDBSCAN(eps1=0.5, eps2=10, min_samples=5, metric='euclidean', sparse_matrix_threshold=20000, frame_size=None, frame_overlap=None, n_jobs=-1)[source]#

时空 DBSCAN 聚类。

STDBSCAN 的实现，由 Birant 等人 [1] 提出。部分基于 Cakmak 等人 [3] 的实现。

根据指定的空间和时间接近度阈值对数据进行聚类。

假定所有变量都是空间坐标。

参数:

eps1浮点数, default=0.5: 点被视为相关联的最大空间距离。
eps2浮点数, default=10: 点被视为相关联的最大时间距离 [1]。
min_samples整数, default=5: 形成核心点所需的最小样本数。
metric字符串, default=’euclidean’: 要使用的距离指标；选项包括 ‘euclidean’, ‘manhattan’, ‘chebyshev’ 等。
sparse_matrix_threshold整数, default=20_000: 设置算法可以通过全矩阵方法高效计算距离的样本数上限。超过此阈值的数据集将使用稀疏矩阵方法处理。
frame_size浮点数或 None, default=None: 如果不为 None，数据集将被分割成帧 [2, 3]；frame_size 是帧中的时间点数量。
frame_overlap浮点数或 None, default=eps2: 如果设置了 frame_size，帧之间将存在重叠，以便之后合并聚类 [2, 3]；仅在 frame_size 不为 None 时使用。
n_jobs整数或 None, default=-1: 用于距离计算的并行作业数；-1 表示使用所有核心。

属性:

labels_形状为 (n_samples,) 的 np.ndarray: 每个点的聚类标签；噪声点被标记为 -1。

参考文献

[1]

Birant, D., & Kut, A. “ST-DBSCAN: An algorithm for clustering spatial-temporal data.” Data Knowl. Eng., vol. 60, no. 1, pp. 208-221, Jan. 2007, doi: [10.1016/j.datak.2006.01.013](https://doi.org/10.1016/j.datak.2006.01.013)。

[2]

Peca, I., Fuchs, G., Vrotsou, K., Andrienko, N., and Andrienko, G., “Scalable Cluster Analysis of Spatial Events” 2012, The Eurographics Association doi: [10.2312/PE/EUROVAST/EUROVA12/019-023](https://doi.org/10.2312/PE/EUROVAST/EUROVA12/019-023)。

[3]

Cakmak, E., Plank, M., Calovi, D. S., Jordan, A., & Keim, D. “Spatio-temporal clustering benchmark for collective animal behavior.” ACM, Nov. 2021, pp. 5-8. doi: [10.1145/3486637.3489487](https://doi.org/10.1145/3486637.3489487)。

示例

>>> from sktime.clustering.spatio_temporal import STDBSCAN
>>> from sktime.clustering.utils.toy_data_generation._make_moving_blobs import (
... make_moving_blobs)
>>> X, y_true = make_moving_blobs(n_times=20)
>>> st_dbscan = STDBSCAN(
...     eps1=0.5, eps2=3, min_samples=5, metric="euclidean", n_jobs=-1
... )
>>> st_dbscan.fit(X)
>>> predicted_labels = st_dbscan.labels_

方法

`check_is_fitted`([方法名])	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`(估计器[, 标签名])	从另一个对象克隆标签作为动态覆盖。
`create_test_instance`([参数集])	使用第一个测试参数集构建类的实例。
`create_test_instances_and_names`([参数集])	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])	计算聚类中心并预测每个时间序列的聚类索引。
`get_class_tag`(标签名[, 标签默认值])	从类中获取类标签值，并继承父类的标签级别。
`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 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`(标签名[, 标签默认值, ...])	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`([参数集])	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[, y])	预测 X 中每个样本所属的最接近的聚类。
`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。

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

返回估计器的测试参数设置。

参数:

parameter_set字符串, default=”default”: 要返回的测试参数集名称，用于测试。如果没有为某个值定义特殊参数，将返回“default”集。当前没有为聚类器保留的值。

返回:

params字典或字典列表, default = {}: 用于创建类测试实例的参数。每个字典都是用于构造一个“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（或唯一的）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。is_fitted 属性应在调用对象的 fit 方法时设置为 True。

如果不是，则抛出 NotFittedError。

参数:

method_name字符串, 可选: 调用此方法的函数名称。如果提供，错误消息将包含此信息。

抛出:

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。

克隆是与原始对象没有共享引用、处于初始化后状态的另一个对象。此函数等同于返回 self 的 sklearn.clone。

等同于使用 self 的参数构造 type(self) 的新实例，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，等同于调用 cloned_self.set_config(**self.get_config())。

其值也等同于调用 self.reset，区别在于 clone 返回一个新对象，而不是像 reset 那样修改 self。

抛出:

如果克隆不符合规范（由于 __init__ 错误），则抛出 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 scikit-base 兼容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，它们是静态标志，在对象构建后不会改变。

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__ 直接在构造后调用。

动态标签被设置为 estimator 中指定名称 tag_names 的标签值。

tag_names 的默认值会克隆 estimator 中的所有标签。

当前的标签值可以通过 get_tags 或 get_tag 查看。

参数:

estimator:class:BaseObject 或其派生类的实例
tag_names字符串或字符串列表, default = None: 要克隆的标签名称。默认值 (None) 会克隆 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_set字符串, default=”default”: 要返回的测试参数集名称，用于测试。如果没有为某个值定义特殊参数，将返回“default”集。

返回:

instance使用默认参数的类实例

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_set字符串, default=”default”: 要返回的测试参数集名称，用于测试。如果没有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])
names字符串列表，长度与 objs 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。

状态变化: 将状态更改为“已拟合”。
写入 self: 将 self.is_fitted 设置为 True。设置以“_”结尾的已拟合模型属性。

参数:

XPanel scitype 的 sktime 兼容时间序列面板数据容器

要将估计器拟合到的时间序列。

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 [实例数, 维数, 序列长度]
或任何其他支持的 Panel mtype

有关 mtype 列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 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，详情请参阅标签参考。

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]#

计算聚类中心并预测每个时间序列的聚类索引。

便利方法；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：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 [实例数, 维数, 序列长度]
或任何其他支持的 Panel mtype

有关 mtype 列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 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，详情请参阅标签参考。

y：被忽略，存在是为了 API 一致性。

返回:

np.ndarray（形状为 (实例数,) 的 1d 数组）: X 中每个时间序列所属聚类的索引。

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

从类中获取类标签值，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，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，检索标签的值。

它从对象中返回名为 tag_name 的标签值，按以下优先级降序考虑标签覆盖

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。

不考虑在实例上设置的动态标签覆盖，这些标签是通过 set_tags 或 clone_tags 在实例上定义的。

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_name字符串: 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/回退值。

返回:

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

classmethod get_class_tags()[source]#

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，它们是静态标志，在对象构建后不会改变。

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，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，覆盖按以下优先级降序排列

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。

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。

不考虑在实例上设置的动态标签覆盖，这些标签是通过 set_tags 或 clone_tags 在实例上定义的。

对于包含来自动态标签的覆盖，请使用 get_tags。

collected_tags字典: 标签名：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。

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

配置在 clone 或 reset 调用下保留。

返回:

config_dict字典: 配置名：配置值对的字典。通过嵌套继承从 _config 类属性收集，然后是来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

获取已拟合的参数。

所需状态: 需要状态为“已拟合”。

参数:

deep布尔值, default=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：值字典，包括可拟合组件（= BaseEstimator 值的参数）的已拟合参数。
如果为 False，将返回此对象的参数名：值字典，但不包括组件的已拟合参数。

返回:

fitted_params键为字符串的字典

已拟合参数字典，参数名：参数值键值对包括

总是：此对象的所有已拟合参数，如通过 get_param_names 获取的值为此对象的该键的已拟合参数值
如果 deep=True，还包含组件参数的键/值对，组件的参数索引为 [组件名]__[参数名]，组件名的所有参数都以 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 [组件名]__[组件组件名]__[参数名] 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)[source]#

获取对象的参数名称。

参数:

sort布尔值, default=True: 是否按字母顺序排序返回参数名称（True），或按它们在类的 __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__ 中出现的相同顺序。如果 sort=True，则按字母顺序排序。

get_params(deep=True)[source]#

获取此对象的参数值字典。

参数:

deep布尔值, default=True

是否返回组件的参数。

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

返回:

params键为字符串的字典

参数字典，参数名：参数值键值对包括

总是：此对象的所有参数，如通过 get_param_names 获取的值为此对象的该键的参数值，其值始终与构造时传入的值相同
如果 deep=True，还包含组件参数的键/值对，组件的参数索引为 [组件名]__[参数名]，组件名的所有参数都以 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 [组件名]__[组件组件名]__[参数名] 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，它们是静态标志，在对象构建后不会改变。

get_tag 方法从实例中检索名为 tag_name 的单个标签值，按以下优先级降序考虑标签覆盖

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时设置的标签。

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。

参数:

tag_name字符串: 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/回退值
raise_error布尔值: 当找不到标签时是否抛出 ValueError

返回:

tag_value任意类型: self 中 tag_name 标签的值。如果找不到，并且 raise_error 为 True，则抛出错误，否则返回 tag_value_default。

抛出:

ValueError，如果 raise_error 为 True。: 如果 tag_name 不在 self.get_tags().keys() 中，则抛出 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，它们是静态标志，在对象构建后不会改变。

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。

值是相应的标签值，覆盖按以下优先级降序排列

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时设置的标签。

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。

返回:

collected_tags字典: 标签名：标签值对的字典。通过嵌套继承从 _tags 类属性收集，然后是来自 _tags_dynamic 对象属性的任何覆盖和新标签。

is_composite()[source]#

检查对象是否由其他 BaseObjects 组成。

复合对象是包含其他对象作为参数的对象。在实例上调用，因为不同实例可能有所不同。

返回:

composite布尔值: 对象是否具有值是 BaseObject 后代实例的任何参数。

property is_fitted[source]#

是否已调用 fit 方法。

检查对象在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 的 _is_fitted 属性。

返回:

布尔值: 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:

cls.save(path) 在 path 生成的输出的反序列化 self

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:

cls.save(None) 生成输出 serial 的反序列化 self

predict(X, y=None) → ndarray[source]#

预测 X 中每个样本所属的最接近的聚类。

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：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 [实例数, 维数, 序列长度]
或任何其他支持的 Panel mtype

有关 mtype 列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 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，详情请参阅标签参考。

y：被忽略，存在是为了 API 一致性。

返回:

np.ndarray（形状为 (实例数,) 的 1d 数组）: X 中每个时间序列所属聚类的索引。

predict_proba(X)[source]#

预测 X 中序列的标签概率。

默认行为是调用 _predict 并将预测的类别概率设置为 1，其他类别概率设置为 0。如果能获得更好的估计，请覆盖此方法。

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：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 [实例数, 维数, 序列长度]
或任何其他支持的 Panel mtype

有关 mtype 列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 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，详情请参阅标签参考。

返回:

y形状为 [实例数, 类别数] 的 2D 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) 处的条目是第 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 设置为其在构造函数调用后直接拥有的状态，具有相同的超参数。通过 set_config 设置的配置值也会保留。

reset 调用会删除所有对象属性，除了

超参数 = 写入 self 的 __init__ 的参数，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”的属性会被保留。
配置属性，配置保持不变。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，区别在于 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))`` 后获得的对象相同。

返回:

self: 类实例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 作为 zip 文件存储在该位置

保存的文件是包含以下内容的 zip 文件：_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（字符串或 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。如果

path=”estimator” 则会在当前工作目录 (cwd) 创建一个 zip 文件 estimator.zip。
path=”/home/stored/estimator”，则会在 /home/stored/ 目录创建一个 zip 文件 estimator.zip。

存储在 /home/stored/ 中。

serialization_format字符串, default = “pickle”

用于序列化的模块。可用选项是“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 - 引用该文件的 ZipFile 对象

score(X, y=None) → float[source]#

评估聚类器的质量。

参数:

Xnp.ndarray（形状为 (实例数, 序列长度) 或形状为: (实例数, 维数, 序列长度) 的 2d 或 3d 数组）或 pd.DataFrame（其中每列是一个维度，每个单元格是一个 pd.Series（任意维数，等长或不等长序列））。用于训练聚类器的时间序列实例，然后返回每个实例所属的索引。
y：被忽略，存在是为了 API 一致性。

返回:

score浮点数: 聚类器的得分。

set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数:

config_dict字典

配置名：配置值对的字典。有效的配置、值及其含义如下所示

display字符串，“diagram”（默认）或“text”

jupyter kernel 如何显示 self 的实例

“diagram” = html 框图表示
“text” = 字符串输出

print_changed_only布尔值, default=True

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

warnings字符串，“on”（默认）或“off”

是否触发警告，仅影响来自 sktime 的警告

“on” = 将触发来自 sktime 的警告
“off” = 不会触发来自 sktime 的警告

backend:parallel字符串，可选，default=”None”

广播/向量化时用于并行的后端，选项包括

“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:params字典，可选，default={}（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”：没有额外参数，backend_params 被忽略
“loky”, “multiprocessing” 和 “threading”: 默认的 joblib 后端。joblib.Parallel 的任何有效参数都可以在此处传递，例如 n_jobs，例外是 backend，它由外部的 backend 参数直接控制。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”: 定制和第三方 joblib 后端，例如 spark。joblib.Parallel 的任何有效参数都可以在此处传递，例如 n_jobs。在此情况下，必须将 backend 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”: dask.compute 的任何有效参数都可以传递，例如 scheduler
“ray”: 可以传递以下参数
- “ray_remote_args”: ray.init 的有效参数字典
- “shutdown_ray”: 布尔值，默认为 True；False 会阻止 ray 在并行化后
  关闭。
- “logger_name”: 字符串，默认为“ray”；要使用的日志记录器名称。
- “mute_warnings”: 布尔值，默认为 False；如果为 True，则抑制警告

返回:

自身对自身的引用。

注意事项

改变对象状态，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。

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> 中的参数 <parameter>。如果这种引用方式是明确的（例如，没有两个组件的参数名称相同），则也可以使用参数字符串 <parameter>，而不带 <component>__ 前缀。

参数:

参数dict: BaseObject 参数，键必须是 <component>__<parameter> 格式的字符串。如果在 get_params 键中是唯一的，则 __ 后缀可以作为完整字符串的别名。

返回:

自身对自身的引用（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 从链式哈希中采样得到，并保证种子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，并且仅当 deep=True 时适用于其余组件对象。

注意：即使 self 没有 random_state 参数，或所有组件都没有 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:

随机状态int, RandomState 实例或 None, 默认为 None

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

deep布尔值, default=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，则也会在组件对象中设置 random_state 参数。

自身策略字符串，可选值为 {“copy”, “keep”, “new”} 之一，默认为“copy”

“copy”：将 self.random_state 设置为输入的 random_state
“keep”：保持 self.random_state 不变
“new”：将 self.random_state 设置为一个新的随机状态，

该状态从输入的 random_state 派生，通常与输入状态不同

返回:

自身对自身的引用

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，它们是对象构建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 方法只能在对象的 __init__ 方法中，即在对象构建期间，或通过 __init__ 构建完成后直接调用。

当前的标签值可以通过 get_tags 或 get_tag 查看。

参数:

标签字典dict: 标签名称：标签值对的字典。

返回:

自身: 对自身的引用。