InformationGainSegmentation#

class InformationGainSegmentation(k_max: int = 10, step: int = 5)[source]#

基于信息增益的时间分割 (IGTS) 估计器。

IGTS 是一种无监督方法，通过定位信息增益最大化的变化点，将多元时间序列分割成非重叠的段。

信息增益 (IG) 定义为分割所损失的熵量。目标是找到针对指定段数的最大信息增益的分割。

IGTS 使用自顶向下的搜索方法，贪婪地寻找产生最大信息增益的下一个变化点位置。找到后，重复此过程直到找到时间序列的 k_max 个分割点。

注意

IGTS 对于单变量序列效果不是很好，但如果原始单变量序列通过额外的特征维度进行增强，它仍然可以使用。论文 [1] 中提出的一种技术是从序列的最大元素中减去序列并追加到序列中。

参数:

k_max: int, 默认值=10: 要找到的最大变化点数。因此，段数为 k+1。
step:int, 默认值=5: 步长，或用于选择变化点候选位置的跨度。例如，step=5 将产生候选 [0, 5, 10, …]。与 range 函数中的 step 具有相同的含义。

属性:

change_points_: list of int: 变化点的位置，以整数索引表示。按照约定，变化点包括恒等分割，即第一个和最后一个索引 + 1 的值。
intermediate_results_: list of ``ChangePointResult``: 每个 k 值的中间分割结果，其中 k=1, 2, …, k_max

注意

基于 [1] 的工作。- 备用 Python 实现：cruiseresearchgroup/IGTS-python - MATLAB 版本：cruiseresearchgroup/IGTS-matlab - 论文链接：

参考文献

[1] (1,2)

Sadri, Amin, Yongli Ren, and Flora D. Salim. “Information gain-based metric for recognizing transitions in human activities.”, Pervasive and Mobile Computing, 38, 92-109, (2017). https://www.sciencedirect.com/science/article/abs/pii/S1574119217300081

示例

>>> from sktime.detection.datagen import piecewise_normal_multivariate
>>> from sklearn.preprocessing import MinMaxScaler
>>> X = piecewise_normal_multivariate(
... lengths=[10, 10, 10, 10],
... means=[[0.0, 1.0], [11.0, 10.0], [5.0, 3.0], [2.0, 2.0]],
... variances=0.5,
... )
>>> X_scaled = MinMaxScaler(feature_range=(0, 1)).fit_transform(X) 
>>> from sktime.detection.igts import InformationGainSegmentation 
>>> igts = InformationGainSegmentation(k_max=3, step=2) 
>>> y = igts.fit_predict(X_scaled) 

方法

`check_is_fitted`([method_name])	检查估计器是否已拟合。
`clone`()	获取一个具有相同超参数和配置的对象的克隆。
`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])	与 sklearn 类型估计器接口兼容的拟合方法。
`fit_predict`(X[, y])	执行分割。
`get_class_tag`(tag_name[, tag_value_default])	从类获取类标签值，带有来自父类的标签级别继承。
`get_class_tags`()	从类获取类标签，带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])	返回初始化参数。
`get_tag`(tag_name[, tag_value_default, ...])	从实例获取标签值，带有标签级别继承和覆盖。
`get_tags`()	从实例获取标签，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 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])	执行分割。
`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 保存到类似 bytes 的对象或 (.zip) 文件。
`set_config`(**config_dict)	将配置标志设置为给定值。
`set_params`(**parameters)	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)	将实例级别标签覆盖设置为给定值。
`to_classification`(change_points)	将变化点位置转换为分类向量。
`to_clusters`(change_points)	将变化点位置转换为聚类向量。

与 sklearn 类型估计器接口兼容的拟合方法。

它设置估计器的内部状态并返回初始化的实例。

参数:

X: array_like: 表示时间序列的 2D array_like，其中序列索引沿着第一个维度，值序列作为列。
y: array_like: 用于与 sklearn-api 兼容的占位符，未使用，默认值=None。

predict(X: Buffer | _SupportsArray[dtype[Any]] | _NestedSequence[_SupportsArray[dtype[Any]]] | bool | int | float | complex | str | bytes | _NestedSequence[bool | int | float | complex | str | bytes][source]#: 执行分割。

参数:

X: array_like
表示时间序列的 2D array_like，其中序列索引沿着第一个维度，值序列作为列。

y: array_like
用于与 sklearn-api 兼容的占位符，未使用，默认值=None。

返回:

y_predarray_like
与 X 的第一个维度大小相同的预测分割的 1D 数组。数值表示每个数据点的不同段标签。

fit_predict(X: Buffer | _SupportsArray[dtype[Any]] | _NestedSequence[_SupportsArray[dtype[Any]]] | bool | int | float | complex | str | bytes | _NestedSequence[bool | int | float | complex | str | bytes] = None) → Buffer | _SupportsArray[dtype[Any]] | _NestedSequence[_SupportsArray[dtype[Any]]] | bool | int | float | complex | str | bytes][source]#

执行分割。

一个方便的方法，用于与 sklearn 风格的 api 兼容。

参数:

X: array_like
表示时间序列的 2D array_like，其中序列索引沿着第一个维度，值序列作为列。

y: array_like
用于与 sklearn-api 兼容的占位符，未使用，默认值=None。

返回:

y_predarray_like
与 X 的第一个维度大小相同的预测分割的 1D 数组。数值表示每个数据点的不同段标签。

get_params(deep: bool = True) → dict[source]#

返回初始化参数。

参数:

deep: bool
用于与 sklearn-api 兼容的虚拟参数，未使用。

返回:

params: dict
包含估计器初始化参数的字典，其中键为参数名称，值为参数值。

set_params(**parameters)[source]#

设置此对象的参数。

参数:

parametersdict
估计器的初始化参数。

返回:

self对 self 的引用（设置参数后）

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 或 list of dict

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。在调用对象的 fit 方法时，应将 is_fitted 属性设置为 True。

如果未拟合，则会引发 NotFittedError。

参数:

method_namestr, 可选
调用此方法的名称。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]#

获取一个具有相同超参数和配置的对象的克隆。

克隆是另一个没有共享引用的对象，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 type(self) 的新实例，并使用 self 的参数，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())。

在值上也等同于调用 self.reset，但 clone 返回一个新对象，而不是像 reset 那样修改 self。

引发:

如果克隆不符合要求，则引发 RuntimeError，原因可能是 __init__ 有缺陷。

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。

标签是特定于实例 self 的键值对，它们是对象构造后不改变的静态标志。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

clone_tags 方法只能在对象的 __init__ 方法中，即在构造过程中或通过 __init__ 直接构造后调用。

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

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

可以通过 get_tags 或 get_tag 检查当前标签值。

参数:

estimator:class:BaseObject 或其派生类的实例

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。

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造类实例。

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 类的实例列表
第 i 个实例为 cls(**cls.get_test_params()[i])

namesstr 列表，长度与 objs 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，命名约定为 {cls.__name__}-{i}，否则为 {cls.__name__}

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

从类获取类标签值，带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，仅考虑类级别的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，并考虑标签覆盖，按以下降序优先级排列：

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，

按照继承顺序。

不考虑实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖，这些覆盖是在实例上定义的。

要检索带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_default任何类型
如果未找到标签，则为默认/备用值。

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]#

从类获取类标签，带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改变的静态标志。

get_class_tags 方法是一个类方法，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 _tags 任何属性的键。

值是相应的标签值，并按以下降序优先级进行覆盖：

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，

按照继承顺序。

实例可以根据超参数覆盖这些标签。

要检索带有潜在实例覆盖的标签，请改用 get_tags 方法。

不考虑实例上通过 set_tags 或 clone_tags 设置的动态标签覆盖，这些覆盖是在实例上定义的。

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。未被通过 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 调用时保留。

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)[source]#

获取已拟合的参数。

所需状态
需要状态为“已拟合”。

参数:

deepbool, 默认=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称：值的字典，包括可拟合组件（= BaseEstimator 类型参数）的已拟合参数。

如果为 False，将返回此对象的参数名称：值的字典，但不包括组件的已拟合参数。

返回:

fitted_params键为 str 值的字典
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，如同通过 get_param_names 获取一样，值是此对象对应键的已拟合参数值

如果 deep=True，也包含组件参数的键/值对，组件的参数按 [componentname]__[paramname] 索引，componentname 的所有参数都显示为 paramname 及其对应值

如果 deep=True，也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 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)[source]#

获取对象的参数名称。

参数:

sortbool, 默认=True
是否按字母顺序 (True) 或按其在类 __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，则顺序与其在类 __init__ 中出现的顺序相同。如果 sort=True，则按字母顺序排列。

get_tag(tag_name, tag_value_default=None, raise_error=True)[source]#

从实例获取标签值，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。

标签是特定于实例 self 的键值对，它们是对象构造后不改变的静态标志。

get_tag 方法从实例中检索名称为 tag_name 的单个标签值，并考虑标签覆盖，按以下降序优先级排列：

在实例上通过 set_tags 或 clone_tags 设置的标签，

在构建实例时。

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，

按照继承顺序。

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/备用值

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

get_tags()[source]#

从实例获取标签，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。

标签是特定于实例 self 的键值对，它们是对象构造后不改变的静态标志。

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 任何属性的键，或者通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，并按以下降序优先级进行覆盖：

在实例上通过 set_tags 或 clone_tags 设置的标签，

在构建实例时。

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()[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
一个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，该属性在对象构建期间应初始化为 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:

解序列化的 self，结果存储在 path 处，与 cls.save(path) 的输出相同

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:

解序列化的 self，结果为 serial，与 cls.save(None) 的输出相同

reset()[source]#

将对象重置为干净的初始化后状态。

导致 self 设置为构造函数调用后直接达到的状态，并保留相同的超参数。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 = __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，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，配置保持不变。也就是说，在 reset 前后 get_config 的结果是相等的。

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。

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

返回:

self
将类的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 保存到类似 bytes 的对象或 (.zip) 文件。

行为：如果 path 为 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 存储在该位置作为 zip 文件

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。此类使用默认序列化（pickle）。

参数:

pathNone 或文件位置 (str 或 Path)
如果为 None，则将 self 保存到内存中对象；如果是文件位置，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 zip 文件 estimator.zip。

path=”/home/stored/estimator”，则将在 /home/stored/

存储 zip 文件 estimator.zip。

serialization_format: str, 默认 = “pickle”
用于序列化的模块。可用选项为 “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 - 指向文件的 ZipFile

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、值及其含义如下所列

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, 默认=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，可选，默认=“None”
广播/向量化时用于并行化的后端，选项之一是

“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，需要环境中包含 dask 包

“ray”：使用 ray，需要环境中包含 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。有效的键取决于 backend:parallel 的值

“None”：没有附加参数，backend_params 被忽略

“loky”，“multiprocessing”和“threading”：默认的 joblib 后端。这里可以传递 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，则默认为 -1，其他参数将默认为 joblib 默认值。

“joblib”：自定义和第三方 joblib 后端，例如 spark。这里可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，backend 在这种情况下必须作为 backend_params 的键传递。如果未传递 n_jobs，则默认为 -1，其他参数将默认为 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，默认=True；False 防止 ray 在并行化后关闭。
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 中的配置复制到 self._config_dynamic。

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，并保证伪随机生成器的独立性。

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

注意：即使 self 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 会重置任何 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=None
用于控制随机整数生成的伪随机数生成器。传递 int 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 对象值参数（即组件估计器）中设置随机状态。

如果为 False，将仅设置 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，选项之一为 {“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 self 的引用

set_tags(**tag_dict)[source]#

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，在对象构造后不会更改。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 方法应仅在对象的 __init__ 方法中，在构造期间或紧随通过 __init__ 构造之后调用。

可以通过 get_tags 或 get_tag 检查当前标签值。

参数:

**tag_dictdict
标签名称：标签值对的字典。

返回:

Self
对 self 的引用。

to_classification(change_points: list[int]) → Buffer | _SupportsArray[dtype[Any]] | _NestedSequence[_SupportsArray[dtype[Any]]] | bool | int | float | complex | str | bytes | _NestedSequence[bool | int | float | complex | str | bytes][source]#

将变化点位置转换为分类向量。

变点检测结果可以被视为分类，其中真实的变点位置在变点位置处标记为 1，其余非变点位置标记为 0。

例如，对于长度为 10 的时间序列，变点 [2, 8] 将导致：[0, 0, 1, 0, 0, 0, 0, 0, 1, 0]。

to_clusters(change_points: list[int]) → Buffer | _SupportsArray[dtype[Any]] | _NestedSequence[_SupportsArray[dtype[Any]]] | bool | int | float | complex | str | bytes | _NestedSequence[bool | int | float | complex | str | bytes][source]#

将变化点位置转换为聚类向量。

变点检测结果可以被视为聚类，其中由变点分隔的每个片段都被分配一个不同的虚拟标签。

例如，对于长度为 10 的时间序列，变点 [2, 8] 将导致：[0, 0, 1, 1, 1, 1, 1, 1, 2, 2]。

本页内容

InformationGainSegmentation

InformationGainSegmentation.fit

InformationGainSegmentation.predict

InformationGainSegmentation.fit_predict

InformationGainSegmentation.get_params

InformationGainSegmentation.set_params

InformationGainSegmentation.get_test_params

InformationGainSegmentation.check_is_fitted

InformationGainSegmentation.clone

InformationGainSegmentation.clone_tags

InformationGainSegmentation.create_test_instance

InformationGainSegmentation.create_test_instances_and_names

InformationGainSegmentation.get_class_tag

InformationGainSegmentation.get_class_tags

InformationGainSegmentation.get_config

InformationGainSegmentation.get_fitted_params

InformationGainSegmentation.get_param_defaults

InformationGainSegmentation.get_param_names

InformationGainSegmentation.get_tag

InformationGainSegmentation.get_tags

InformationGainSegmentation.is_composite

InformationGainSegmentation.is_fitted

InformationGainSegmentation.load_from_path

InformationGainSegmentation.load_from_serial

InformationGainSegmentation.reset

InformationGainSegmentation.save

InformationGainSegmentation.set_config

InformationGainSegmentation.set_random_state

InformationGainSegmentation.set_tags

InformationGainSegmentation.to_classification

InformationGainSegmentation.to_clusters