`ForecastingRandomizedSearchCV`#

class ForecastingRandomizedSearchCV(forecaster, cv, param_distributions, n_iter=10, scoring=None, strategy='refit', refit=True, verbose=0, return_n_best_forecasters=1, random_state=None, backend='loky', update_behaviour='full_refit', error_score=nan, tune_by_instance=False, tune_by_variable=False, backend_params=None, n_jobs='deprecated')[source]#

执行随机搜索交叉验证以找到最优模型参数。

预测器在初始窗口上拟合，然后使用时间交叉验证来找到最优参数

随机交叉验证基于一个交叉验证迭代器进行，该迭代器编码了交叉验证方案、要搜索的参数分布以及（可选的）用于比较模型性能的评估指标。与 scikit-learn 一样，调优通过通用的超参数接口进行，该接口允许使用不同的超参数重复拟合和评估同一个预测器。

参数:

forecastersktime 预测器, BaseForecaster 实例或兼容接口

要调优的预测器，必须实现 sktime 预测器接口。可以使用 sklearn 回归器，但必须先通过降维组合器之一将其转换为预测器，例如通过 make_reduction。

cv交叉验证生成器或可迭代对象

例如 SlidingWindowSplitter()

strategy{“refit”, “update”, “no-update_params”}，可选，默认为“refit”

cv拟合中的数据摄取策略，内部传递给evaluate，定义了当预测器在窗口扩展时看到新数据时的摄取模式：“refit”=预测器的新副本拟合到每个训练窗口；“update”=预测器按提供的序列用训练窗口数据更新；“no-update_params”=拟合到第一个训练窗口，不进行拟合或更新而重复使用。

update_behaviour: str，可选，默认为“full_refit”

{“full_refit”, “inner_only”, “no_update”}之一预测器调用update时的行为：“full_refit”=调优参数和内部估计器都对所有已见数据进行重新拟合；“inner_only”=不重新调优参数，只更新内部估计器；“no_update”=不更新调优参数也不更新内部估计器。

param_distributionsdict 或 dict 列表

字典，键是参数名（str），值是分布或要尝试的参数列表。分布必须提供用于采样的 rvs 方法（例如 scipy.stats.distributions 中的分布）。如果给定列表，则均匀采样。如果给定 dict 列表，则首先均匀采样一个 dict，然后使用该 dict 按上述方式采样参数。

n_iterint，默认为 10

采样的参数设置数量。n_iter 权衡了运行时间和解决方案质量。

scoringsktime 指标 (BaseMetric)，str 或 callable，可选 (默认为 None)

用于调优预测器的评分指标

可以搜索 sktime 指标对象 (BaseMetric) 的后代

使用 registry.all_estimators 搜索工具，例如通过 all_estimators("metric", as_dataframe=True)。

如果可调用，必须具有签名

(y_true: 1D np.ndarray, y_pred: 1D np.ndarray) -> float，假设 np.ndarrays 长度相同，且值越低越好。sktime.performance_metrics.forecasting 中的指标都是这种形式。

如果为 str，则使用 registry.resolve_alias 解析为上述之一。有效的字符串是有效的 registry.craft 规范，包括任何 BaseMetric 对象的字符串表示形式，例如 “MeanSquaredError()”；以及指向指标的 registry.ALIAS_DICT 的键。
如果为 None，默认为 MeanAbsolutePercentageError()

refitbool，可选 (默认为 True)

True = 在拟合时使用最佳参数对整个数据重新拟合预测器；False = 不进行重新拟合。预测器不能用于预测。这用于调优超参数，然后将估计器用作参数估计器，例如通过 get_fitted_params 或 PluginParamsForecaster。

verboseint，可选 (默认为 0)

return_n_best_forecasters: int，默认为 1

如果要返回 n 个最佳预测器，可以设置此值，并且 n 个最佳预测器将分配给 n_best_forecasters_。将 return_n_best_forecasters 设置为 -1 以返回所有预测器。

random_stateint, RandomState 实例或 None，默认为 None

用于从可能值的列表而不是 scipy.stats 分布中进行随机均匀采样的伪随机数生成器状态。传入一个 int 以便在多次函数调用中获得可重现的输出。

backend{“dask”, “loky”, “multiprocessing”, “threading”}，默认为“loky”。

如果指定且 strategy 设置为“refit”，则并行运行 evaluate。

“None”：顺序执行循环，简单的列表推导
“loky”、“multiprocessing”和“threading”：使用 joblib.Parallel 循环
“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

建议：使用“dask”或“loky”进行并行评估。由于 GIL，使用“threading”不太可能看到加速，并且“dask”和“loky”的序列化后端（cloudpickle）通常比“multiprocessing”中使用的标准 pickle 库更健壮。

error_score“raise”或数字，默认为 np.nan

如果估计器拟合时发生异常，则分配给分数值。如果设置为“raise”，则抛出异常。如果给定数值，则抛出 FitFailedWarning 警告。

tune_by_instancebool，可选 (默认为 False)

是否在面板或分层数据传递给调优估计器时，按每个时间序列实例单独调优参数。仅当传递的时间序列是面板或分层时适用。如果为 True，预测器的克隆将单独拟合到每个实例，并在 forecasters_ 属性的字段中可用。这与对自身应用 ForecastByLevel 包装器效果相同。如果为 False，则为所有实例选择相同的最佳参数。

tune_by_variablebool，可选 (默认为 False)

是否在多变量数据传递给调优估计器时，按每个时间序列变量单独调优参数。仅当传递的时间序列严格为多变量时适用。如果为 True，预测器的克隆将单独拟合到每个变量，并在 forecasters_ 属性的字段中可用。这与对自身应用 ColumnEnsembleForecaster 包装器效果相同。如果为 False，则为所有变量选择相同的最佳参数。

backend_paramsdict，可选

作为配置传递给后端的额外参数。直接传递给 utils.parallel.parallelize。有效键取决于 backend 的值

“None”：没有额外参数，忽略 backend_params
“loky”、“multiprocessing”和“threading”：默认的 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，它由 backend 直接控制。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，必须将 backend 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，默认为 True；如果为 False，则阻止 ray 在并行化后关闭
  。
- “logger_name”：str，默认为“ray”；要使用的 logger 名称。
- “mute_warnings”：bool，默认为 False；如果为 True，则抑制警告

属性:

best_index_int
best_score_: float: 最佳模型的得分
best_params_dict: 参数网格中的最佳参数值
best_forecaster_估计器: 使用最佳参数拟合的估计器
cv_results_dict: 网格搜索交叉验证的结果
n_best_forecasters_: 元组列表 (“rank”, ): “rank”与 best_forecaster_ 相关
n_best_scores_: float 列表: n_best_forecasters_ 的得分，按预测器得分从优到劣排序
forecasters_pd.DataFrame: 包含所有拟合的预测器及其参数的 DataFrame。仅当 tune_by_instance=True 或 tune_by_variable=True 且至少其中之一适用时存在。在这种情况下，其他属性不存在于 self 中，仅存在于 forecasters_ 的字段中。

方法

`check_is_fitted`([method_name])	检查估计器是否已拟合。
`克隆`()	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造类的一个实例。
`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`(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`(tag_name[, tag_value_default])	从类中获取类标签值，具有来自父类的标签级别继承。
`获取类标签`()	从类中获取类标签，具有来自父类的标签级别继承。
`获取配置`()	获取自身的配置标志。
`get_fitted_params`([deep])	获取拟合参数。
`获取参数默认值`()	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，具有标签级别继承和覆盖。
`获取标签`()	从实例中获取标签，具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。
`是复合对象`()	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`([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/返回完全概率预测。
`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。
`重置`()	将对象重置到初始状态。
`save`([path, serialization_format])	将序列化的 self 保存到字节类对象或 (.zip) 文件。
`score`(y[, X, fh])	使用 MAPE (非对称) 评估预测与真实值之间的得分。
`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 self 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。
`update`(y[, X, update_params])	更新截止值，并可选地更新拟合参数。
`update_predict`(y[, cv, X, update_params, ...])	在测试集上迭代进行预测和模型更新。
`update_predict_single`([y, fh, X, update_params])	使用新数据更新模型并进行预测。

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。

返回:

paramsdict 或 dict 列表

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

如果不是，则抛出 NotFittedError 异常。

参数:

method_namestr，可选: 调用此函数的方法名称。如果提供，错误消息将包含此信息。

抛出:

未拟合错误: 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、处于后初始化状态的不同对象。此函数等同于返回 sklearn.clone 的 self。

等同于构造 type(self) 的新实例，带有 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())。

值上也等同于调用 self.reset，区别在于 clone 返回一个新对象，而不是像 reset 那样改变 self。

抛出:

如果由于 __init__ 错误导致克隆不一致，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 方法只能在对象的 __init__ 方法中调用，即在构造期间，或通过 __init__ 直接调用之后。

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

tag_names 的默认值将 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 或派生类的实例
tag_namesstr 或 str 列表，默认为 None: 要克隆的标签名称。默认值 (None) 克隆 estimator 中的所有标签。

返回:

自身: 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的一个实例。

参数:

parameter_setstr，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。

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。

返回:

objscls 实例列表: 第 i 个实例是 cls(**cls.get_test_params()[i])
namesstr 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。命名约定是 {cls.__name__}-{i} (如果实例多于一个)，否则是 {cls.__name__}。

property cutoff[source]#

截止点 = 预测器的“当前时间”状态。

返回:

cutoffpandas 兼容索引元素，或 None: pandas 兼容索引元素，如果已设置截止点；否则为 None

property fh[source]#: 传递的预测范围。

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

将预测器拟合到训练数据。

状态改变: 将状态更改为“fitted”。

写入自身

设置以“_”结尾的拟合模型属性，拟合属性可通过 get_fitted_params 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。

如果传递了 fh，则将 fh 存储到 self.fh。

参数:

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 中的单个数据格式是所谓的 mtype 规范，每个 mtype 都实现了抽象的科学类型。

Series 科学类型 = 单个时间序列，普通预测。pd.DataFrame, pd.Series 或 np.ndarray (1D 或 2D)
Panel 科学类型 = 时间序列集合，全局/面板预测。pd.DataFrame 具有 2 级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), list 类型为 Series 的 pd.DataFrame
Hierarchical 科学类型 = 分层集合，用于分层预测。pd.DataFrame 具有 3 级或更多行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

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

编码要预测的时间戳的预测范围。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)。

用于拟合模型的外生时间序列。应与 y 具有相同的科学类型 (Series, Panel 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index")，则 X.index 必须包含 y.index。

返回:

self对自身的引用。

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

拟合并预测未来范围的时间序列。

等同于 fit(y, X, fh).predict(X_pred)。如果未传递 X_pred，则等同于 fit(y, fh, X).predict(X)。

状态改变: 将状态更改为“fitted”。

写入自身

设置以“_”结尾的拟合模型属性，拟合属性可通过 get_fitted_params 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。

将 fh 存储到 self.fh。

参数:

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 中的单个数据格式是所谓的 mtype 规范，每个 mtype 都实现了抽象的科学类型。

Series 科学类型 = 单个时间序列，普通预测。pd.DataFrame, pd.Series 或 np.ndarray (1D 或 2D)
Panel 科学类型 = 时间序列集合，全局/面板预测。pd.DataFrame 具有 2 级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), list 类型为 Series 的 pd.DataFrame
Hierarchical 科学类型 = 分层集合，用于分层预测。pd.DataFrame 具有 3 级或更多行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

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

编码要预测的时间戳的预测范围。

如果 fh 不是 None 且类型不是 ForecastingHorizon，则通过调用 _check_fh 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) 强制转换。

Xsktime 兼容格式的时间序列，可选 (默认为 None)。

用于拟合模型的外生时间序列。应与 y 具有相同的科学类型 (Series, Panel 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index")，则 X.index 必须包含 y.index。

X_predsktime 兼容格式的时间序列，可选 (默认为 None)

用于预测的外生时间序列。如果传递，将用于预测而不是 X。应与 fit 中的 y 具有相同的科学类型 (Series, Panel 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index")，则 X.index 必须包含 fh 索引参考。

返回:

y_predsktime 兼容数据容器格式的时间序列: 在 fh 处的点预测，索引与 fh 相同。y_pred 的类型与最近传递的 y 相同：Series, Panel, Hierarchical 科学类型，格式相同 (见上文)

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

从类中获取类标签值，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，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来检索标签的值。

它返回对象中名称为 tag_name 的标签值，同时考虑标签覆盖，优先级按降序排列如下：

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。

不考虑通过 set_tags 或 clone_tags 在实例上设置的动态标签覆盖。

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任意类型: 如果未找到标签，则返回的默认/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]#

从类中获取类标签，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。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，其键是类或其任何父类中设置的 _tags 属性的任何键。

值是相应的标签值，覆盖优先级按降序排列如下：

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。

不考虑通过 set_tags 或 clone_tags 在实例上设置的动态标签覆盖。

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。不被通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[source]#

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 _config 类属性中设置，并被通过 set_config 设置的动态配置覆盖。

配置在 clone 或 reset 调用下得以保留。

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 对象属性收集任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

获取拟合参数。

所需状态: 要求状态为“已拟合”（fitted）。

参数:

deep布尔型, 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

已拟合参数的字典，paramname : paramvalue 键值对包括

总是：此对象的所有已拟合参数，通过 get_param_names 获取，值是此对象对应键的已拟合参数值
如果 deep=True，还包含组件参数的键值对，组件参数索引为 [componentname]__[paramname]，componentname 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 [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__ 中定义。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:

sort布尔型, 默认=True: 是否按字母顺序（True）或在类 __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。

get_params(deep=True)[source]#

获取此对象的参数值字典。

参数:

deep布尔型, 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 dict，包括组件（= BaseObject 类型参数）的参数。
如果为 False，将返回此对象的参数名称 : 值 dict，但不包括组件的参数。

返回:

params键为字符串的字典

参数字典，paramname : paramvalue 键值对包括

总是：此对象的所有参数，通过 get_param_names 获取，值是此对象对应键的参数值，值总是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，组件参数索引为 [componentname]__[paramname]，componentname 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 [componentname]__[componentcomponentname]__[paramname] 等。

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

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，它们是对象构造后不更改的静态标志。

get_tag 方法从实例中检索名称为 tag_name 的单个标签值，同时考虑标签覆盖，优先级按降序排列如下：

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时设置。

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: 要检索的标签的名称
tag_value_default任意类型, 可选; 默认=None: 如果未找到标签，则返回的默认/备用值
raise_error布尔型: 当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，则在 raise_error 为 True 时引发错误，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，则引发 ValueError。

get_tags()[source]#

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，它们是对象构造后不更改的静态标志。

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

值是相应的标签值，覆盖优先级按降序排列如下：

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时设置。

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，然后从 _tags_dynamic 对象属性收集任何覆盖和新标签。

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: 对象是否包含任何参数，其值是 BaseObject 的后代实例。

property is_fitted[source]#

fit 是否已被调用。

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。

返回:

布尔型: 估计器是否已完成 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 self，得到 cls.save(path) 在 path 处的输出。

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 self，得到 cls.save(None) 输出的 serial。

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

预测未来范围的时间序列。

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入自身: 如果传递了 fh 并且之前未传递过，则将 fh 存储到 self.fh。

参数:

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

编码预测时间点的时间范围（forecasting horizon）。如果在 fit 中已传递，则不应再次传递。如果未在 fit 中传递，则必须传递，不是可选的

如果 fh 不是 None 且类型不是 ForecastingHorizon，则通过调用 _check_fh 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) 强制转换。

Xsktime 兼容格式的时间序列, 可选 (默认=None)

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。

返回:

y_predsktime 兼容数据容器格式的时间序列: 在 fh 处的点预测，索引与 fh 相同。y_pred 的类型与最近传递的 y 相同：Series, Panel, Hierarchical 科学类型，格式相同 (见上文)

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

计算/返回预测区间预测。

如果 coverage 是可迭代的，将计算多个区间。

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入自身: 如果传递了 fh 并且之前未传递过，则将 fh 存储到 self.fh。

参数:

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

编码预测时间点的时间范围（forecasting horizon）。如果在 fit 中已传递，则不应再次传递。如果未在 fit 中传递，则必须传递，不是可选的

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部被强制转换为 ForecastingHorizon（通过 _check_fh）。

如果 fh 是 int 或 int 的类数组，则被解释为相对范围，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则被解释为绝对范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列, 可选 (默认=None)

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。

coverage浮点型或包含唯一浮点值的列表, 可选 (默认=0.90)

预测区间名义覆盖度

返回:

pred_intpd.DataFrame

列具有多重索引：第一级是 fit 中 y 的变量名，

第二级是计算区间的覆盖率。: 顺序与输入 coverage 中的顺序相同。

第三级是字符串“lower”或“upper”，表示区间的下限/上限。

行索引是 fh，附加（上层）级别与实例级别相同，

来自 fit 中使用的 y，如果 fit 中使用的 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，在第二列索引中的名义覆盖率下，取决于第三列索引是下限还是上限，针对该行索引。区间上限/下限预测值等同于在 coverage 中的 c 值下，alpha = 0.5 - c/2 和 0.5 + c/2 的分位数预测值。

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

计算/返回完全概率预测。

注意

当前仅为 Series（非面板，非层级）y 实现了此功能。
需要安装 skpro 以使用返回的分布对象。

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入自身: 如果传递了 fh 并且之前未传递过，则将 fh 存储到 self.fh。

参数:

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

编码预测时间点的时间范围（forecasting horizon）。如果在 fit 中已传递，则不应再次传递。如果未在 fit 中传递，则必须传递，不是可选的

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部被强制转换为 ForecastingHorizon（通过 _check_fh）。

如果 fh 是 int 或 int 的类数组，则被解释为相对范围，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则被解释为绝对范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列, 可选 (默认=None)

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。

marginal布尔型, 可选 (默认=True)

返回的分布是否按时间索引是边际分布

返回:

pred_distskpro BaseDistribution: 预测分布，如果 marginal=True，则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

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

计算/返回分位数预测。

如果 alpha 是可迭代的，将计算多个分位数。

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入自身: 如果传递了 fh 并且之前未传递过，则将 fh 存储到 self.fh。

参数:

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

编码预测时间点的时间范围（forecasting horizon）。如果在 fit 中已传递，则不应再次传递。如果未在 fit 中传递，则必须传递，不是可选的

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部被强制转换为 ForecastingHorizon（通过 _check_fh）。

如果 fh 是 int 或 int 的类数组，则被解释为相对范围，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则被解释为绝对范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列, 可选 (默认=None)

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。

alpha浮点型或包含唯一浮点值的列表, 可选 (默认=[0.05, 0.95])

计算分位数预测值时使用的概率或概率列表。

返回:

quantilespd.DataFrame

列具有多重索引：第一级是 fit 中 y 的变量名，: 第二级是传递给函数的 alpha 值。
行索引是 fh，附加（上层）级别与实例级别相同，: 来自 fit 中使用的 y，如果 fit 中使用的 y 是 Panel 或 Hierarchical 类型。
条目是分位数预测值，对应于列索引中的变量，: 在第二列索引中的分位数概率下，针对该行索引。

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

返回时间序列预测的残差。

将在 y.index 处计算预测值的残差。

如果在 fit 中必须传递 fh，则必须与 y.index 一致。如果 y 是 np.ndarray，并且在 fit 中未传递 fh，则残差将在范围为 range(len(y.shape[0])) 的 fh 处计算

所需状态: 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）相对应
在 self 中访问: 以“_”结尾的已拟合模型属性。self.cutoff, self._is_fitted
写入自身: 无。

参数:

ysktime 兼容数据容器格式的时间序列

带有真实观测值的时间序列，用于计算残差。必须与预测的预期返回结果具有相同的类型、维度和索引。

如果为 None，则使用目前为止看到的 y (self._y)，特别是

如果之前只进行了一次 fit 调用，则生成样本内残差
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 的类型与最近传递的 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。

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入自身: 如果传递了 fh 并且之前未传递过，则将 fh 存储到 self.fh。

参数:

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

编码预测时间点的时间范围（forecasting horizon）。如果在 fit 中已传递，则不应再次传递。如果未在 fit 中传递，则必须传递，不是可选的

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则在内部被强制转换为 ForecastingHorizon（通过 _check_fh）。

如果 fh 是 int 或 int 的类数组，则被解释为相对范围，并强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，则被解释为绝对范围，并强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列, 可选 (默认=None)

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。

cov布尔型, 可选 (默认=False)

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

返回:

pred_varpd.DataFrame, 格式取决于 cov 变量

如果 cov=False

列名与 fit/update 中传递的 y 完全相同。: 对于无名称格式，列索引将是 RangeIndex。
行索引是 fh，附加级别与实例级别相同，: 来自 fit 中使用的 y，如果 fit 中使用的 y 是 Panel 或 Hierarchical 类型。

条目是方差预测值，对应于列索引中的变量。给定变量和 fh 索引的方差预测值是一个预测值

给定观测数据的情况下，该变量和索引处的方差。

如果 cov=True

列索引是一个多重索引：第一级是变量名（如上所述）: 第二级是 fh。
行索引是 fh，附加级别与实例级别相同，: 来自 fit 中使用的 y，如果 fit 中使用的 y 是 Panel 或 Hierarchical 类型。
条目是（协）方差预测值，对应于列索引中的变量，以及: 行和列中时间索引之间的协方差。

注意：不同变量之间不返回协方差预测值。

reset()[source]#

将对象重置到初始状态。

将 self 设置为构造函数调用后立即所处的状态，并保留相同的超参数。通过 set_config 设置的配置值也会保留。

调用 reset 会删除任何对象属性，除了

超参数 = 写入到 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”的属性会被保留。
配置属性，配置会保留不变。也就是说，在 reset 前后调用 get_config 的结果是相等的。

类方法、对象方法和类属性也不受影响。

等同于 clone，不同之处在于 reset 是修改 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))`` 后获得的对象相同。

返回:

自身: 类实例重置为初始化后的干净状态，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 存储为 zip 文件在该位置。

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方法 (pickle)。

参数:

pathNone 或文件位置 (str 或 Path)

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

path=”estimator”，则将在当前工作目录 (cwd) 下创建 zip 文件 estimator.zip。
path=”/home/stored/estimator”，则 zip 文件 estimator.zip 将被

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 - 指向该文件的 ZipFile

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

使用 MAPE (非对称) 评估预测与真实值之间的得分。

参数:

ypd.Series, pd.DataFrame, 或 np.ndarray (1D 或 2D): 用于评分的时间序列
fhint, list, 可强制转换为 pd.Index，或 ForecastingHorizon，默认为 None: 编码要预测的时间戳的预测范围。
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:

score浮点型: 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:

config_dictdict

config 名称 : config 值对的字典。下面列出了有效的 config、值及其含义

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 时是只列出与默认值不同的 self 参数 (False)，还是列出所有参数名称和值 (False)。不嵌套，即只影响 self 而不影响组件估计器。

warningsstr, “on” (默认), 或 “off”

是否触发警告，仅影响 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”

广播/向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，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 config 传递给并行化后端的附加参数。有效键取决于 backend:parallel 的值

“None”：没有额外参数，忽略 backend_params
“loky”、“multiprocessing”和“threading”：默认的 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，它由 backend 直接控制。如果未传递 n_jobs，则默认为 -1，其他参数默认为 joblib 默认值。
“joblib”: 定制和第三方 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，默认为“ray”；要使用的 logger 名称。
- “mute_warnings”：bool，默认为 False；如果为 True，则抑制警告

remember_databool, 默认=True

fit 中是否存储 self._X 和 self._y，并在 update 中更新。如果为 True，则存储并更新 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 时减小了序列化大小，但 update 将默认为“不执行任何操作”，而不是“重新拟合所有已见数据”。

返回:

selfself 的引用。

注意

更改对象状态，将 config_dict 中的 config 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 <parameter>。如果引用明确（例如，没有两个组件参数具有名称 <parameter>），则也可以使用字符串 <parameter>，而不带 <component>__。

参数:

**paramsdict: BaseObject 参数，键必须是 <component>__<parameter> 字符串。__ 后缀可以作为完整字符串的别名，如果它们在 get_params 键中是唯一的。

返回:

selfself 的引用 (参数已设置后)

set_random_state(random_state=None, deep=True, self_policy='copy')[source]#

设置 self 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 派生的整数。这些整数通过 sample_dependent_seed 从链式哈希中采样，并保证种子随机生成器的伪随机独立性。

取决于 self_policy，应用于 self 中的 random_state 参数，当且仅当 deep=True 时才应用于剩余组件对象。

注意：即使 self 没有 random_state，或者没有组件具有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 对象，即使是那些没有 random_state 参数的对象。

参数:

random_stateint, RandomState 实例或 None，默认为 None

伪随机数生成器，用于控制随机整数的生成。传入 int 值可在多次函数调用中获得可重现的输出。

deep布尔型, 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, 以下之一 {“copy”, “keep”, “new”}, 默认=”copy”

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

从输入的 random_state 派生，通常与输入不同

返回:

selfself 的引用

set_tags(**tag_dict)[source]#

将实例级别标签覆盖设置为给定值。

每个兼容 scikit-base 的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，它们是构建对象后不会更改的静态标志。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 方法只能在对象的 __init__ 方法中调用，即在构建期间或通过 __init__ 直接调用之后。

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: self 的引用。

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

更新截止值，并可选地更新拟合参数。

如果未实现估计器特定的 update 方法，默认的备用行为如下

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

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入自身

将 self.cutoff 更新到 y 中见到的最新索引。

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

参数:

ysktime 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的单个数据格式是所谓的 mtype 规范，每个 mtype 都实现了抽象的科学类型。

Series 科学类型 = 单个时间序列，普通预测。pd.DataFrame, pd.Series 或 np.ndarray (1D 或 2D)
Panel 科学类型 = 时间序列集合，全局/面板预测。pd.DataFrame 具有 2 级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), list 类型为 Series 的 pd.DataFrame
Hierarchical 科学类型 = 分层集合，用于分层预测。pd.DataFrame 具有 3 级或更多行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

Xsktime 兼容格式的时间序列，可选 (默认为 None)。

用于更新模型拟合的外部时间序列。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，则仅更新截止点 (cutoff)，模型参数（例如系数）不更新。

返回:

selfself 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模型更新。

根据时间序列分割器 cv 进行数据回放，执行多个 update / predict 链式操作的简写。

与以下操作相同（如果只有 y, cv 是非默认值）

self.update(y=cv.split_series(y)[0][0])
记住 self.predict() (稍后以单个批次返回)
self.update(y=cv.split_series(y)[1][0])
记住 self.predict() (稍后以单个批次返回)
等等
返回所有记住的预测

如果未实现估计器特定的 update 方法，默认的备用行为如下

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

所需状态: 要求状态为“已拟合”，即 self.is_fitted=True。

在 self 中访问

以“_”结尾的已拟合模型属性。

self.cutoff, self.is_fitted

写入 self（除非 reset_forecaster=True）

将 self.cutoff 更新到 y 中见到的最新索引。
如果 update_params=True，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:

ysktime 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的单个数据格式是所谓的 mtype 规范，每个 mtype 都实现了抽象的科学类型。

Series 科学类型 = 单个时间序列，普通预测。pd.DataFrame, pd.Series 或 np.ndarray (1D 或 2D)
Panel 科学类型 = 时间序列集合，全局/面板预测。pd.DataFrame 具有 2 级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), list 类型为 Series 的 pd.DataFrame
Hierarchical 科学类型 = 分层集合，用于分层预测。pd.DataFrame 具有 3 级或更多行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

cv继承自 BaseSplitter 的时间序列交叉验证生成器，可选

例如，SlidingWindowSplitter 或 ExpandingWindowSplitter；默认值为 ExpandingWindowSplitter，其中 initial_window=1 且默认值为 y/X 中的独立数据点一个接一个地添加和预测，initial_window = 1, step_length = 1 且 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部时间序列。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，则仅更新截止点 (cutoff)，模型参数（例如系数）不更新。

reset_forecasterbool, 可选 (默认=True)

如果为 True，将不改变预测器的状态，即 update/predict 序列使用副本运行，self 的 cutoff、模型参数、数据内存不改变
如果为 False，将在 update/predict 序列运行时更新 self，就像直接调用 update/predict 一样

返回:

y_pred汇总来自多个分割批次的点预测的对象

格式取决于总体预测的 (cutoff, 绝对 horizon) 对

如果绝对 horizon 点集合唯一：类型是 sktime 兼容数据容器格式的时间序列，输出中抑制 cutoff，与最近传递的 y 具有相同类型：Series, Panel, Hierarchical scitype，相同格式（见上文）
如果绝对 horizon 点集合不唯一：类型是 pandas DataFrame，行索引和列索引是时间戳。行索引对应于从中进行预测的 cutoff，列索引对应于预测的绝对 horizon。条目是该 (cutoff, horizon) 对的点预测。如果在该对没有进行预测，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。

此方法对于在单个步骤中更新和进行预测非常有用。

如果未实现估计器特定的 update 方法，默认的备用行为是先 update，然后 predict。

所需状态: 要求状态为“已拟合”（fitted）。
在 self 中访问: 以 “_” 结尾的拟合模型属性。指向已见数据的指针，self._y 和 self.X self.cutoff, self._is_fitted 如果 update_params=True，则为以 “_” 结尾的模型属性。
写入自身: 通过附加行来更新 self._y 和 self._X，使用 y 和 X。将 self.cutoff 和 self._cutoff 更新为 y 中见到的最后一个索引。如果 update_params=True，

更新以 “_” 结尾的已拟合模型属性。

参数:

ysktime 兼容数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的单个数据格式是所谓的 mtype 规范，每个 mtype 都实现了抽象的科学类型。

Series 科学类型 = 单个时间序列，普通预测。pd.DataFrame, pd.Series 或 np.ndarray (1D 或 2D)
Panel 科学类型 = 时间序列集合，全局/面板预测。pd.DataFrame 具有 2 级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), list 类型为 Series 的 pd.DataFrame
Hierarchical 科学类型 = 分层集合，用于分层预测。pd.DataFrame 具有 3 级或更多行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

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

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

编码预测时间点的时间范围（forecasting horizon）。如果在 fit 中已传递，则不应再次传递。如果未在 fit 中传递，则必须传递，不是可选的

Xsktime 兼容格式的时间序列, 可选 (默认=None)

用于更新和预测的外部时间序列。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，则仅更新截止点 (cutoff)，模型参数（例如系数）不更新。

返回:

y_predsktime 兼容数据容器格式的时间序列: 在 fh 处的点预测，索引与 fh 相同。y_pred 的类型与最近传递的 y 相同：Series, Panel, Hierarchical 科学类型，格式相同 (见上文)

ForecastingRandomizedSearchCV#

`ForecastingRandomizedSearchCV`#