Permute#

class Permute(estimator, permutation=None, steps_arg='steps')[source]#

用于排列预测流水线步骤的置换合成器。

该合成器可用于排列任何元预测器（包括 ForecastingPipeline、TransformedTargetForecaster）的步骤顺序。

steps_arg 参数需要指向包装预测器的“steps”类参数，permutation 参数则用于切换步骤的顺序。

单独使用不太有用，但与调优或自动机器学习包装器结合使用时非常有用。

参数：
estimatorsktime 预测器，继承自 BaseForecaster

必须有一个名为 steps_arg 的参数，该参数指向其步骤将被置换的预测器

permutation字符串列表，或 None，可选，默认为 None

如果不为 None，则必须与 getattr(estimator, steps_arg) 长度相等，且元素必须等于 estimator.steps_arg 评估器的名称；名称是由 _get_estimator_tuples（如果列表未命名）创建的唯一名称，或者是元组的第一个字符串元素；estimator.steps_arg 列表被解释为名称的排列范围；如果为 None，则解释为恒等置换。

steps_arg字符串，可选，默认为“steps”

steps 参数的名称。getattr(estimator, steps_arg) 必须是评估器列表，或 (字符串, 评估器) 对列表。

属性：
cutoff

截止点 = 预测器的“当前时间”状态。

fh

已传递的预测范围。

is_fitted

是否已调用 fit 方法。

steps_

示例

>>> from sktime.datasets import load_airline
>>> from sktime.forecasting.base import ForecastingHorizon
>>> from sktime.forecasting.compose import ForecastingPipeline, Permute
>>> from sktime.forecasting.naive import NaiveForecaster
>>> from sktime.transformations.series.boxcox import BoxCoxTransformer
>>> from sktime.transformations.series.exponent import ExponentTransformer

简单示例：在预测流水线中置换评估器序列

>>> y = load_airline()
>>> fh = ForecastingHorizon([1, 2, 3])
>>> pipe = ForecastingPipeline(
...     [
...         ("boxcox", BoxCoxTransformer()),
...         ("exp", ExponentTransformer(3)),
...         ("naive", NaiveForecaster()),
...     ]
... )
>>> # this results in the pipeline with sequence "exp", "boxcox", "naive"
>>> permuted = Permute(pipe, ["exp", "boxcox", "naive"])
>>> permuted = permuted.fit(y, fh=fh)
>>> y_pred = permuted.predict()

置换器与网格搜索结合使用时很有用（示例）

>>> from sktime.datasets import load_shampoo_sales
>>> from sktime.forecasting.model_selection import ForecastingGridSearchCV
>>> from sktime.split import ExpandingWindowSplitter
>>> fh = [1,2,3]
>>> cv = ExpandingWindowSplitter(fh=fh)
>>> forecaster = NaiveForecaster()
>>> # check which of the two sequences of transformers is better
>>> param_grid = {
...     "permutation" : [["boxcox", "exp", "naive"], ["exp", "boxcox", "naive"]]
... }
>>> gscv = ForecastingGridSearchCV(
...     forecaster=permuted,
...     param_grid=param_grid,
...     cv=cv)

方法

check_is_fitted([方法名称])

检查评估器是否已拟合。

clone()

获取具有相同超参数和配置的对象的克隆。

clone_tags(评估器[, 标签名称])

将另一个对象的标签克隆为动态覆盖。

create_test_instance([参数集])

使用第一个测试参数集构造类的实例。

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(y[, X, fh])

将预测器拟合到训练数据。

fit_predict(y[, X, fh, X_pred])

拟合并预测未来范围的时间序列。

get_class_tag(标签名称[, 默认标签值])

从类中获取类标签值，继承父类的标签级别。

get_class_tags()

从类中获取类标签，继承父类的标签级别。

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()

获取对象的默认参数。

get_param_names([排序])

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(标签名称[, 默认标签值, ...])

从实例中获取标签值，具有标签级别继承和覆盖。

get_tags()

从实例中获取标签，具有标签级别继承和覆盖。

get_test_params([参数集])

返回评估器的测试参数设置。

is_composite()

检查对象是否由其他 BaseObject 组成。

load_from_path(序列)

从文件位置加载对象。

load_from_serial(序列)

从序列化的内存容器加载对象。

predict([fh, X])

预测未来范围的时间序列。

predict_interval([fh, X, coverage])

计算/返回预测区间预测。

predict_proba([fh, X, marginal])

计算/返回完整的概率预测。

predict_quantiles([fh, X, alpha])

计算/返回分位数预测。

predict_residuals([y, X])

返回时间序列预测的残差。

predict_var([fh, X, cov])

计算/返回方差预测。

reset()

将对象重置到干净的初始化后状态。

save([路径, 序列化格式])

将序列化的自身保存到字节类对象或 (.zip) 文件。

score(y[, X, fh])

使用 MAPE（非对称）对预测与实际值进行评分。

set_config(**配置字典)

将配置标志设置为给定值。

set_params(**参数)

设置此对象的参数。

set_random_state([random_state, deep, ...])

为自身设置 random_state 伪随机种子参数。

set_tags(**标签字典)

将实例级别标签覆盖设置为给定值。

update(y[, X, update_params])

更新截止点值，并可选择更新已拟合的参数。

update_predict(y[, cv, X, update_params, ...])

在测试集上迭代进行预测和更新模型。

update_predict_single([y, fh, X, update_params])

使用新数据更新模型并进行预测。
check_is_fitted(method_name=None)[source]#

检查评估器是否已拟合。

检查 _is_fitted 属性是否存在且 True。 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 异常。

参数：
method_name字符串，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

如果评估器尚未拟合。

clone()[source]#

获取具有相同超参数和配置的对象的克隆。

克隆是一个不同的对象，没有共享引用，处于初始化后状态。此函数等效于返回自身的 sklearn.clone。

等效于构造一个新的 type(self) 实例，具有自身的参数，即 type(self)(**self.get_params(deep=False))。

如果自身设置了配置，则克隆也会具有与原始对象相同的配置，等效于调用 cloned_self.set_config(**self.get_config())。

在值上与调用自身的 reset 方法也等效，不同之处在于 clone 返回一个新对象，而不是像 reset 那样改变自身。

引发：
如果克隆不符合规范，由于 __init__ 错误，将引发 RuntimeError。
clone_tags(estimator, tag_names=None)[source]#

将另一个对象的标签克隆为动态覆盖。

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 方法只能在对象的 __init__ 方法中调用，在构造期间或通过 __init__ 构造后直接调用。

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

tag_names 的默认值会将 estimator 中的所有标签写入自身。

可以通过 get_tags 或 get_tag 检查当前的标签值。

参数：
estimatorBaseObject 或派生类的实例
tag_names字符串或字符串列表，默认为 None

要克隆的标签名称。默认值 (None) 克隆 estimator 的所有标签。

返回：
self

对自身的引用。

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

使用第一个测试参数集构造类的实例。

参数：
parameter_set字符串，默认为“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具有默认参数的类的实例
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，默认为“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 的实例列表

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

names字符串列表，与 objs 长度相同

第 i 个元素是 objs 中第 i 个实例在测试中的名称。命名约定为：如果有多个实例，则为 {cls.__name__}-{i}，否则为 {cls.__name__}。

property cutoff[source]#

截止点 = 预测器的“当前时间”状态。

返回：
cutoffpandas 兼容的索引元素，或 None

pandas 兼容的索引元素，如果 cutoff 已设置；否则为 None。

property fh[source]#

已传递的预测范围。

已传递的预测范围。

将预测器拟合到训练数据。

fit(y, X=None, fh=None)[source]#

状态改变

将状态更改为“已拟合”。

  • 写入自身

  • 设置以“_”结尾的已拟合模型属性，已拟合属性可通过 get_fitted_params 进行检查。

  • 将 self.is_fitted 标志设置为 True。

  • 将 self.cutoff 设置为在 y 中看到的最后一个索引。

参数：
如果 fh 被传递，则将 fh 存储到 self.fh。

ysktime 兼容数据容器格式的时间序列。

用于拟合预测器的时间序列。

  • sktime 中的独立数据格式称为 mtype 规范，每个 mtype 都实现了抽象的 scitype。

  • Series scitype = 单个时间序列，普通预测。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)

  • Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，Series 类型的 pd.DataFrame 列表。

Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多行 MultiIndex (层次结构_1, ..., 层次结构_n, 时间) 的 pd.DataFrame。

有关数据格式的更多详细信息，请参阅 mtype 的词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

fhint, list, 可强制转换为 pd.Index, 或 ForecastingHorizon，默认为 None

预测范围编码了要预测的时间戳。如果 self.get_tag("requires-fh-in-fit") 为 True，则必须在 fit 中传递，不可选。

Xsktime 兼容格式的时间序列，可选（默认为 None）。

返回：
用于拟合模型的外生时间序列。应与 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 y.index。
self对自身的引用。

拟合并预测未来范围的时间序列。

fit_predict(y, X=None, fh=None, X_pred=None)[source]#

fit(y, X=None, fh=None)[source]#

状态改变

将状态更改为“已拟合”。

  • 写入自身

  • 设置以“_”结尾的已拟合模型属性，已拟合属性可通过 get_fitted_params 进行检查。

  • 将 self.is_fitted 标志设置为 True。

  • 与 fit(y, X, fh).predict(X_pred) 相同。如果未传递 X_pred，则与 fit(y, fh, X).predict(X) 相同。

参数：
将 fh 存储到 self.fh。

ysktime 兼容数据容器格式的时间序列。

用于拟合预测器的时间序列。

  • sktime 中的独立数据格式称为 mtype 规范，每个 mtype 都实现了抽象的 scitype。

  • Series scitype = 单个时间序列，普通预测。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)

  • Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，Series 类型的 pd.DataFrame 列表。

Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多行 MultiIndex (层次结构_1, ..., 层次结构_n, 时间) 的 pd.DataFrame。

ysktime 兼容数据容器格式的时间序列

fhint, list, 可强制转换为 pd.Index, 或 ForecastingHorizon（不可选）

预测范围编码了要预测的时间戳。

预测范围编码了要预测的时间戳。如果 self.get_tag("requires-fh-in-fit") 为 True，则必须在 fit 中传递，不可选。

Xsktime 兼容格式的时间序列，可选（默认为 None）。

如果 fh 不为 None 且不是 ForecastingHorizon 类型，则通过调用 _check_fh 将其强制转换为 ForecastingHorizon。特别是，如果 fh 是 pd.Index 类型，则通过 ForecastingHorizon(fh, is_relative=False) 将其强制转换。

X_predsktime 兼容格式的时间序列，可选（默认为 None）

返回：
用于预测的外生时间序列。如果传递，将在 predict 中使用而不是 X。应与 fit 中的 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引引用。

y_predsktime 兼容数据容器格式的时间序列

fh 处的点预测，与 fh 具有相同的索引。y_pred 的类型与最近传递的 y 相同：Series, Panel, Hierarchical scitype, 相同格式（参见上文）。

从类中获取类标签值，继承父类的标签级别。

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

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的值。

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

  2. 类 _tags 属性中设置的标签。

父类 _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。

参数：
要检索具有潜在实例覆盖的标签值，请改用 get_tag 方法。

tag_name字符串

标签值的名称。

tag_value_default任何类型

返回：
如果找不到标签的默认/备用值。

tag_value

自身中 tag_name 标签的值。如果找不到，则返回 tag_value_default。

从类中获取类标签，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。

classmethod get_class_tags()[source]#

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。

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

  2. 类 _tags 属性中设置的标签。

父类 _tags 属性中设置的标签，

值是对应的标签值，覆盖的优先级降序排列如下：

实例可以根据超参数覆盖这些标签。

按继承顺序排列。

要检索具有潜在实例覆盖的标签，请改用 get_tags 方法。

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 设置的动态标签覆盖。

获取自身的配置标志。

get_config()[source]#

配置是自身的键值对，通常用作控制行为的临时标志。

get_config 返回动态配置，它会覆盖默认配置。

默认配置在类或其父类的 _config 类属性中设置，并被通过 set_config 设置的动态配置覆盖。

返回：
配置在 clone 或 reset 调用下会被保留。

config_dict字典

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 对象属性收集任何覆盖和新标签。

获取已拟合的参数。

get_fitted_params(deep=True)[source]#

必需状态

参数：
要求状态为“已拟合”。

deep布尔值，默认为 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称 : 值字典，包括可拟合组件（= BaseEstimator 类型参数）的拟合参数。

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

fitted_params键为字符串的字典

  • 拟合参数字典，参数名 : 参数值 键值对包含

  • 始终：此对象的所有拟合参数，如同通过 get_param_names 获取，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；组件参数以 [组件名称]__[参数名称] 为索引；组件名称的所有参数以其值作为参数名称出现。

如果 deep=True，还包含任意级别的组件递归，例如 [组件名称]__[子组件名称]__[参数名称] 等。

classmethod get_param_defaults()[source]#

返回：
获取对象的默认参数。

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 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)[source]#

参数：
获取对象的参数名称。

sort布尔值，默认为 True

返回：
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。

param_names: list[str]

cls 的参数名称列表。如果 sort=False，则按其在类 __init__ 中出现的相同顺序排列。如果 sort=True，则按字母顺序排列。

获取此对象的参数值字典。

参数：
要求状态为“已拟合”。

get_params(deep=True)[source]#

  • 是否返回组件的参数。

  • 如果 True，将返回此对象的参数名称 : 值字典，包括组件（= BaseObject 类型参数）的参数。

返回：
如果 False，将返回此对象的参数名称 : 值字典，但不包括组件的参数。

params键为字符串的字典

  • 参数字典，参数名 : 参数值 键值对包含

  • 始终：此对象的所有拟合参数，如同通过 get_param_names 获取，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；组件参数以 [组件名称]__[参数名称] 为索引；组件名称的所有参数以其值作为参数名称出现。

始终：此对象的所有参数，如同通过 get_param_names 获取，值是此对象该键的参数值，值总是与构造时传递的值相同。

从实例中获取标签值，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(tag_name, tag_value_default=None, raise_error=True)[source]#

  1. 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，优先级降序排列如下：

通过 set_tags 或 clone_tags 在实例上设置的标签，

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

  2. 类 _tags 属性中设置的标签。

父类 _tags 属性中设置的标签，

参数：
要检索具有潜在实例覆盖的标签值，请改用 get_tag 方法。

在实例构造时设置。

要检索的标签名称

tag_value_default任何类型，可选；默认为 None

如果找不到标签的默认/备用值

raise_error布尔值

返回：
找不到标签时是否引发 ValueError

tag_value任何类型

引发：
自身中 tag_name 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。

ValueError，如果 raise_error 为 True。

如果 tag_name 不在 self.get_tags().keys() 中，则引发 ValueError。

从实例中获取标签，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()[source]#

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。

  1. 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，优先级降序排列如下：

通过 set_tags 或 clone_tags 在实例上设置的标签，

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

  2. 类 _tags 属性中设置的标签。

父类 _tags 属性中设置的标签，

返回：
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，或通过 set_tags 或 clone_tags 设置的标签的键。

collected_tags字典

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 对象属性收集任何覆盖和新标签。

检查对象是否由其他 BaseObject 组成。

is_composite()[source]#

返回：
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。

composite: 布尔值

对象是否有任何参数的值是 BaseObject 派生实例。

是否已调用 fit 方法。

property is_fitted[source]#

返回：
检查对象的 _is_fitted 属性，该属性应在对象构造期间初始化为 False，并在调用对象的 fit 方法时设置为 True。

布尔值

评估器是否已 fit。

从文件位置加载对象。

参数：
classmethod load_from_path(serial)[source]#
返回：
serialZipFile(路径).open(“对象”) 的结果
反序列化的自身，结果输出到路径，即 cls.save(path) 的结果

从序列化的内存容器加载对象。

参数：
classmethod load_from_serial(serial)[source]#
返回：
serialcls.save(None) 输出的第一个元素
反序列化的自身，结果输出 serial，即 cls.save(None) 的结果

预测未来范围的时间序列。

get_fitted_params(deep=True)[source]#

predict(fh=None, X=None)[source]#

要求状态为“已拟合”，即 self.is_fitted=True。

  • 访问自身

  • 以“_”结尾的拟合模型属性。

将状态更改为“已拟合”。

self.cutoff, self.is_fitted

参数：
有关数据格式的更多详细信息，请参阅 mtype 的词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

如果 fh 被传递且之前未传递，则将 fh 存储到 self.fh。

预测范围编码了要预测的时间戳。

预测范围编码了要预测的时间戳。如果已在 fit 中传递，则不应再传递。如果未在 fit 中传递，则必须传递，不可选。

Xsktime 兼容格式的时间序列，可选（默认为 None）

返回：
用于预测的外生时间序列。如果传递，将在 predict 中使用而不是 X。应与 fit 中的 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引引用。

y_predsktime 兼容数据容器格式的时间序列

用于预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引引用。

计算/返回预测区间预测。

predict_interval(fh=None, X=None, coverage=0.9)[source]#

get_fitted_params(deep=True)[source]#

predict(fh=None, X=None)[source]#

要求状态为“已拟合”，即 self.is_fitted=True。

  • 访问自身

  • 以“_”结尾的拟合模型属性。

将状态更改为“已拟合”。

self.cutoff, self.is_fitted

参数：
有关数据格式的更多详细信息，请参阅 mtype 的词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

如果 fh 被传递且之前未传递，则将 fh 存储到 self.fh。

如果 coverage 是可迭代的，将计算多个区间。

  • 如果 fh 不为 None 且不是 ForecastingHorizon 类型，则在内部将其强制转换为 ForecastingHorizon（通过 _check_fh）。

  • 如果 fh 是 int 或 int 的数组类型，则解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

预测范围编码了要预测的时间戳。如果已在 fit 中传递，则不应再传递。如果未在 fit 中传递，则必须传递，不可选。

Xsktime 兼容格式的时间序列，可选（默认为 None）

如果 fh 是 pd.Index 类型，则解释为绝对范围，并强制转换为绝对 ForecastingHorizon(fh, is_relative=False)。

coverage浮点数或唯一浮点值列表，可选（默认为 0.90）

返回：
预测区间(s) 的名义覆盖率
pred_intpd.DataFrame
列具有多级索引：第一级是 fit 中 y 的变量名，

第二级是计算区间的覆盖率分数。

与输入 coverage 的顺序相同。

第三级是字符串“lower”或“upper”，表示区间下限/上限。

行索引是 fh，附加（上层）级别等于 fit 中 y 看到的实例级别，

如果 fit 中看到的 y 是 Panel 或 Hierarchical 类型。

条目是区间下限/上限的预测值，

对于列索引中的变量，在第二个列索引中的名义覆盖率下，根据第三个列索引表示下限/上限，对应于行索引。区间上限/下限预测等效于在 alpha = 0.5 - c/2, 0.5 + c/2（对于 coverage 中的 c）处的分位数预测。

计算/返回完整的概率预测。

predict_proba(fh=None, X=None, marginal=True)[source]#

  • 注意

  • 当前仅对 Series（非面板、非分层）y 实现。

get_fitted_params(deep=True)[source]#

predict(fh=None, X=None)[source]#

要求状态为“已拟合”，即 self.is_fitted=True。

  • 访问自身

  • 以“_”结尾的拟合模型属性。

将状态更改为“已拟合”。

self.cutoff, self.is_fitted

参数：
有关数据格式的更多详细信息，请参阅 mtype 的词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

如果 fh 被传递且之前未传递，则将 fh 存储到 self.fh。

如果 coverage 是可迭代的，将计算多个区间。

  • 如果 fh 不为 None 且不是 ForecastingHorizon 类型，则在内部将其强制转换为 ForecastingHorizon（通过 _check_fh）。

  • 如果 fh 是 int 或 int 的数组类型，则解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

预测范围编码了要预测的时间戳。如果已在 fit 中传递，则不应再传递。如果未在 fit 中传递，则必须传递，不可选。

Xsktime 兼容格式的时间序列，可选（默认为 None）

返回的分布对象需要安装 skpro。

marginal布尔值，可选（默认为 True）

返回：
返回的分布是否按时间索引是边际的

pred_distskpro BaseDistribution

如果 marginal=True，则为预测分布，按时间点是边际分布；如果 marginal=False 且方法已实现，则为联合分布。

计算/返回分位数预测。

predict_quantiles(fh=None, X=None, alpha=None)[source]#

get_fitted_params(deep=True)[source]#

predict(fh=None, X=None)[source]#

要求状态为“已拟合”，即 self.is_fitted=True。

  • 访问自身

  • 以“_”结尾的拟合模型属性。

将状态更改为“已拟合”。

self.cutoff, self.is_fitted

参数：
有关数据格式的更多详细信息，请参阅 mtype 的词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

如果 fh 被传递且之前未传递，则将 fh 存储到 self.fh。

如果 coverage 是可迭代的，将计算多个区间。

  • 如果 fh 不为 None 且不是 ForecastingHorizon 类型，则在内部将其强制转换为 ForecastingHorizon（通过 _check_fh）。

  • 如果 fh 是 int 或 int 的数组类型，则解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

预测范围编码了要预测的时间戳。如果已在 fit 中传递，则不应再传递。如果未在 fit 中传递，则必须传递，不可选。

Xsktime 兼容格式的时间序列，可选（默认为 None）

alpha浮点数或唯一值的浮点数列表，可选 (默认=[0.05, 0.95])

计算分位数预测的概率或概率列表。

返回：
quantilespd.DataFrame
pred_intpd.DataFrame

第二层是传递给函数的值 alpha。

第三级是字符串“lower”或“upper”，表示区间下限/上限。

行索引是 fh，附加（上层）级别等于 fit 中 y 看到的实例级别，

条目是分位数预测，针对列索引中的 var，

在第二列索引中的分位数概率处，针对行索引。

predict_residuals(y=None, X=None)[source]#

返回时间序列预测的残差。

残差将针对 y.index 处的预测进行计算。

如果 fh 必须在 fit 中传入，则必须与 y.index 一致。如果 y 是一个 np.ndarray，并且在 fit 中没有传入 fh，则残差将根据范围 range(len(y.shape[0])) 的 fh 进行计算。

get_fitted_params(deep=True)[source]#

要求状态为“已拟合”。如果已设置 fh，则必须与 y 的索引（pandas 或整数）对应。

要求状态为“已拟合”，即 self.is_fitted=True。

以“_”结尾的已拟合模型属性。self.cutoff, self._is_fitted

将状态更改为“已拟合”。

无。

参数：
将 fh 存储到 self.fh。

包含真实观测值的时间序列，用于计算残差。必须具有与 predict 的预期返回结果相同的类型、维度和索引。

如果为 None，则使用到目前为止看到过的 y (self._y)，特别是

  • 如果之前仅调用了一次 fit，则会生成样本内残差。

  • 如果 fit 需要 fh，则它必须指向 fit 中 y 的索引。

Xsktime 兼容格式的时间序列，可选 (默认=None)

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须同时包含 fh 索引引用和 y.index。

返回：
y_ressktime 兼容数据容器格式的时间序列

在 fh 处的预测残差，与 fh 具有相同的索引。 y_res 的类型与最近传入的 y 相同：Series、Panel、Hierarchical scitype，格式相同（见上文）。

predict_var(fh=None, X=None, cov=False)[source]#

计算/返回方差预测。

get_fitted_params(deep=True)[source]#

predict(fh=None, X=None)[source]#

要求状态为“已拟合”，即 self.is_fitted=True。

  • 访问自身

  • 以“_”结尾的拟合模型属性。

将状态更改为“已拟合”。

self.cutoff, self.is_fitted

参数：
有关数据格式的更多详细信息，请参阅 mtype 的词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

如果 fh 被传递且之前未传递，则将 fh 存储到 self.fh。

如果 coverage 是可迭代的，将计算多个区间。

  • 如果 fh 不为 None 且不是 ForecastingHorizon 类型，则在内部将其强制转换为 ForecastingHorizon（通过 _check_fh）。

  • 如果 fh 是 int 或 int 的数组类型，则解释为相对范围，并强制转换为相对 ForecastingHorizon(fh, is_relative=True)。

预测范围编码了要预测的时间戳。如果已在 fit 中传递，则不应再传递。如果未在 fit 中传递，则必须传递，不可选。

Xsktime 兼容格式的时间序列，可选（默认为 None）

covbool，可选 (默认=False)

如果为 True，计算协方差矩阵预测。如果为 False，计算边际方差预测。

返回：
pred_varpd.DataFrame，格式取决于 cov 变量
如果 cov=False
列名与在 fit/update 中传入的 y 完全相同。

对于无名称格式，列索引将是 RangeIndex。

行索引为 fh，附加级别等于实例级别，

行索引是 fh，附加（上层）级别等于 fit 中 y 看到的实例级别，

条目为方差预测，针对列索引中的 var。给定变量和 fh 索引的方差预测是预测得到的

该变量和索引的方差，给定观测数据。

如果 cov=True
列索引是多级索引：第一级是变量名（如上）

第二级是 fh。

行索引为 fh，附加级别等于实例级别，

行索引是 fh，附加（上层）级别等于 fit 中 y 看到的实例级别，

条目为（协）方差预测，针对列索引中的 var，以及

行索引和列索引中时间索引之间的协方差。

注意：不会返回不同变量之间的协方差预测。

reset()[source]#

将对象重置到干净的初始化后状态。

将 self 重置为构造函数调用后直接拥有的状态，并保留相同的超参数。set_config 设置的配置值也会保留。

调用 reset 会删除所有对象属性，除了

  • 超参数 = 写入 self 的 __init__ 参数，例如，如果 paramname 是 __init__ 的参数，则为 self.paramname。

  • 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，配置会保留不变。也就是说，在 reset 调用前后，get_config 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，不同之处在于 reset 会改变 self 的状态，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]#

将序列化的自身保存到字节类对象或 (.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，格式为 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。此类使用默认序列化方式 (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。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/ 中存储一个 zip 文件 estimator.zip。

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 是文件位置 - 引用文件的 ZipFile
score(y, X=None, fh=None)[source]#

使用 MAPE（非对称）对预测与实际值进行评分。

参数：
ypd.Series, pd.DataFrame, 或 np.ndarray (1D 或 2D)

用于评分的时间序列

有关数据格式的更多详细信息，请参阅 mtype 的词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

fhint, list, 可强制转换为 pd.Index, 或 ForecastingHorizon（不可选）

Xpd.DataFrame, 或 2D np.array，可选 (默认=None)

用于评分的外生时间序列。如果 self.get_tag(“X-y-must-have-same-index”) 为 True，则 X.index 必须包含 y.index。

返回：
scorefloat

self.predict(fh, X) 相对于 y_test 的 MAPE 损失。

另请参阅

sktime.performance_metrics.forecasting.mean_absolute_percentage_error
set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数：
配置在 clone 或 reset 调用下会被保留。

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 时是否只列出与默认值不同的 self 参数（True），还是所有参数名称和值（False）。不包含嵌套，即只影响 self，不影响组件估计器。

warningsstr，“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” = 将不触发来自 sktime 的警告

backend:parallelstr，可选，默认=”None”

在广播/向量化时用于并行化的后端，选项之一：

  • “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={}（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，backend_params 被忽略

  • “loky”、“multiprocessing” 和 “threading”：默认的 joblib 后端。此处可以传入 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它直接由 backend 控制。如果未传入 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。此处可以传入 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 的键传入。如果未传入 n_jobs，它将默认为 -1，其他参数将默认为 joblib 的默认值。

  • “dask”：可以传入 dask.compute 的任何有效键，例如 scheduler

  • “ray”：可以传入以下键

    • “ray_remote_args”：ray.init 有效键的字典

    • “shutdown_ray”：bool，默认=True；False 可防止 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，则抑制警告

remember_databool，默认=True

是否在 fit 中存储 self._X 和 self._y，并在 update 中更新。如果为 True，则存储和更新 self._X 和 self._y。如果为 False，则不存储和更新 self._X 和 self._y。这在使用 save 时会减小序列化大小，但 update 将默认为“不做任何事”，而不是“重新拟合所有已见数据”。

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)[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>。如果在不使用 <component>__ 前缀的情况下能明确引用，例如，没有两个组件参数名称都为 <parameter>，则也可以直接使用字符串 <parameter>。

参数：
**paramsdict

BaseObject 参数，键必须是 <component>__<parameter> 字符串。如果后缀 __ 在 get_params 键中唯一，则可以作为完整字符串的别名。

返回：
self对自身的引用（设置参数后）
set_random_state(random_state=None, deep=True, self_policy='copy')[source]#

为自身设置 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 的链式哈希采样，确保 seeded 随机生成器具有伪随机独立性。

根据 self_policy，适用于 self 中的 random_state 参数，并且仅当 deep=True 时适用于剩余的组件对象。

注意：即使 self 没有 random_state 参数，或者所有组件都没有 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。传入 int 可在多次函数调用中获得可复现的输出。

要求状态为“已拟合”。

是否设置 skbase 对象值参数（即组件估计器）中的随机状态。

  • 如果为 False，则仅设置 self 的 random_state 参数（如果存在）。

  • 如果为 True，则也会设置组件对象中的 random_state 参数。

self_policystr，{“copy”, “keep”, “new”} 之一，默认=”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 设置为一个新的随机状态，

源自输入的 random_state，并且通常与它不同。

返回：
self对自身的引用
set_tags(**tag_dict)[source]#

将实例级别标签覆盖设置为给定值。

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

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，字典值是要将标签设置为什么值。

set_tags 方法只能在对象的 __init__ 方法中、构造期间或通过 __init__ 直接构造后调用。

可以通过 get_tags 或 get_tag 检查当前的标签值。

参数：
**tag_dictdict

标签名称：标签值对的字典。

返回：
Self

对自身的引用。

update(y, X=None, update_params=True)[source]#

更新截止点值，并可选择更新已拟合的参数。

如果未实现特定于估计器的更新方法，默认回退如下：

  • update_params=True：拟合到目前为止所有观测到的数据

  • update_params=False：仅更新 cutoff 并记住数据

get_fitted_params(deep=True)[source]#

predict(fh=None, X=None)[source]#

要求状态为“已拟合”，即 self.is_fitted=True。

  • 访问自身

  • 以“_”结尾的拟合模型属性。

将状态更改为“已拟合”。

  • 将 self.cutoff 更新为在 y 中看到的最新索引。

  • 如果 update_params=True，则更新以“_”结尾的已拟合模型属性。

参数：
如果 fh 被传递，则将 fh 存储到 self.fh。

用于更新预测器的时间序列。

用于拟合预测器的时间序列。

  • sktime 中的独立数据格式称为 mtype 规范，每个 mtype 都实现了抽象的 scitype。

  • Series scitype = 单个时间序列，普通预测。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)

  • Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，Series 类型的 pd.DataFrame 列表。

Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多行 MultiIndex (层次结构_1, ..., 层次结构_n, 时间) 的 pd.DataFrame。

预测范围编码了要预测的时间戳。如果 self.get_tag("requires-fh-in-fit") 为 True，则必须在 fit 中传递，不可选。

用于更新模型拟合的外生时间序列。应与 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 y.index。

update_paramsbool，可选 (默认=True)

是否应更新模型参数。如果为 False，则仅更新 cutoff，模型参数（例如系数）不更新。

返回：
self对自身的引用
update_predict(y, cv=None, X=None, update_params=True, reset_forecaster=True)[source]#

在测试集上迭代进行预测和更新模型。

此方法是执行多个 update / predict 的链式调用的简写，数据回放基于时间分割器 cv。

与以下代码等效（如果只有 y、cv 非默认值）

  1. self.update(y=cv.split_series(y)[0][0])

  2. 记住 self.predict()（稍后在单个批次中返回）

  3. self.update(y=cv.split_series(y)[1][0])

  4. 记住 self.predict()（稍后在单个批次中返回）

  5. 等等

  6. 返回所有记住的预测

如果未实现特定于估计器的更新方法，默认回退如下：

  • update_params=True：拟合到目前为止所有观测到的数据

  • update_params=False：仅更新 cutoff 并记住数据

get_fitted_params(deep=True)[source]#

predict(fh=None, X=None)[source]#

要求状态为“已拟合”，即 self.is_fitted=True。

  • 访问自身

  • 以“_”结尾的拟合模型属性。

写入 self（除非 reset_forecaster=True）

  • 将 self.cutoff 更新为在 y 中看到的最新索引。

  • 如果 update_params=True，则更新以“_”结尾的已拟合模型属性。

如果 reset_forecaster=True，则不更新状态。

参数：
如果 fh 被传递，则将 fh 存储到 self.fh。

用于更新预测器的时间序列。

用于拟合预测器的时间序列。

  • sktime 中的独立数据格式称为 mtype 规范，每个 mtype 都实现了抽象的 scitype。

  • Series scitype = 单个时间序列，普通预测。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)

  • Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，Series 类型的 pd.DataFrame 列表。

Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多行 MultiIndex (层次结构_1, ..., 层次结构_n, 时间) 的 pd.DataFrame。

cv继承自 BaseSplitter 的时间序列交叉验证生成器，可选

例如，SlidingWindowSplitter 或 ExpandingWindowSplitter；默认 = initial_window=1 的 ExpandingWindowSplitter，默认 = y/X 中的单个数据点被逐个添加和预测，initial_window = 1，step_length = 1，fh = 1。

Xsktime 兼容格式的时间序列，可选 (默认=None)

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引引用。

update_paramsbool，可选 (默认=True)

是否应更新模型参数。如果为 False，则仅更新 cutoff，模型参数（例如系数）不更新。

reset_forecasterbool，可选 (默认=True)

  • 如果为 True，则不会改变预测器的状态，即 update/predict 序列是使用副本运行的，self 的 cutoff、模型参数、数据内存不会改变

  • 如果为 False，则在运行 update/predict 序列时会更新 self，就像直接调用 update/predict 一样

返回：
y_pred一个对象，以表格形式呈现来自多个分割批次的点预测

格式取决于预测整体的 (cutoff, absolute horizon) 对

  • 如果 absolute horizon 点的集合是唯一的：类型为 sktime 兼容数据容器格式的时间序列，输出中抑制了 cutoff，与最近传入的 y 具有相同的类型：Series、Panel、Hierarchical scitype，格式相同（见上文）

  • 如果 absolute horizon 点的集合不唯一：类型为 pandas DataFrame，行和列索引为时间戳，行索引对应于预测的 cutoff，列索引对应于预测的 absolute horizon，条目是根据行索引预测的列索引的点预测，如果在该 (cutoff, horizon) 对没有进行预测，则条目为 nan

update_predict_single(y=None, fh=None, X=None, update_params=True)[source]#

使用新数据更新模型并进行预测。

此方法有助于在一个步骤中进行更新和预测。

如果未实现特定于估计器的更新方法，默认回退是先更新，然后预测。

get_fitted_params(deep=True)[source]#

必需状态

要求状态为“已拟合”，即 self.is_fitted=True。

以“_”结尾的已拟合模型属性。指向已见数据的指针，self._y 和 self.X self.cutoff, self._is_fitted 如果 update_params=True，以“_”结尾的模型属性。

将状态更改为“已拟合”。

通过追加行来更新 self._y 和 self._X，使用 y 和 X。将 self.cutoff 和 self._cutoff 更新为在 y 中看到的最新索引。如果 update_params=True，

更新以“_”结尾的已拟合模型属性。

参数：
如果 fh 被传递，则将 fh 存储到 self.fh。

用于更新预测器的时间序列。

用于拟合预测器的时间序列。

  • sktime 中的独立数据格式称为 mtype 规范，每个 mtype 都实现了抽象的 scitype。

  • Series scitype = 单个时间序列，普通预测。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)

  • Panel scitype = 时间序列集合，全局/面板预测。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，Series 类型的 pd.DataFrame 列表。

Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多行 MultiIndex (层次结构_1, ..., 层次结构_n, 时间) 的 pd.DataFrame。

有关数据格式的更多详细信息，请参阅 mtype 的词汇表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb。

如果 fh 被传递且之前未传递，则将 fh 存储到 self.fh。

Xsktime 兼容格式的时间序列，可选 (默认=None)

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引引用。

update_paramsbool，可选 (默认=True)

是否应更新模型参数。如果为 False，则仅更新 cutoff，模型参数（例如系数）不更新。

返回：
用于预测的外生时间序列。如果传递，将在 predict 中使用而不是 X。应与 fit 中的 y 具有相同的 scitype（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为 True，则 X.index 必须包含 fh 索引引用。

y_predsktime 兼容数据容器格式的时间序列

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

返回评估器的测试参数设置。

参数：
parameter_set字符串，默认为“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。目前预测器没有保留值。

返回：
paramsdict 或 dict 列表，默认 = {}

用于创建类的测试实例的参数。每个 dict 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。