SquaringResiduals#

class SquaringResiduals(forecaster=None, residual_forecaster=None, initial_window=5, strategy='square', distr='norm', distr_kwargs=None)[源]#

基于独立预测器计算预测方差。

用另一个 residual_forecaster 对象包装 forecaster，通过拟合 residual_forecaster 到滚动残差来实现分位数和区间估计。

拟合过程如下：设 \(t_1, \dots, t_N\) 是训练集。设 steps_ahead 是一个正整数，表示我们要预测残差的未来步数。设 initial_window 是拟合预测器所需的最小观测数。

对于 \(i = initial\_window, \dots, N - steps\_ahead\)
1. 在 \(y(t_1), \dots, y(t_i)\) 上训练/更新预测器 A
2. 对 \(t_{i+steps\_ahead}\) 进行点预测以获得 \(\hat{y}(t_{i+steps\_ahead})\)
3. 计算 \(t_{i+steps\_ahead}\) 的残差为 \(r(t_{i+steps\_ahead}) := y(t_{i+steps\_ahead}) - \hat{y}(t_{i+steps\_ahead})\)
4. 计算 \(e(t_{i+steps\_ahead}) := h(r(t_{i+steps\_ahead}))\)，其中 \(h(x)\) 由 \(strategy\) 给出
在 \(e(t_{initial\_window+steps\_ahead}), \dots, e(t_{N})\) 上训练 residual_forecaster

对 \(t_{N+steps\_ahead}\) 的预测按如下方式进行

使用 forecaster 预测位置参数 \(\hat{y}(t_{N+steps\_ahead})\)
使用 residual_forecaster 预测尺度参数 \(e(t_{N+steps\_ahead})\)
基于例如正态分布假设 \(N(\hat{y}(t_{N+steps\_ahead}), e(t_{N+steps\_ahead}))\) 计算预测区间

参数:

forecastersktime 预测器, BaseForecaster 的子类, 可选: 向其添加概率预测的估计器默认值 = NaiveForecaster()
residual_forecastersktime 预测器, BaseForecaster 的子类, 可选: 拟合到预测器残差的估计器默认值 = NaiveForecaster()
initial_windowint, 可选, 默认值=2: 拟合预测器的 initial_window 大小
steps_aheadint, 可选, 默认值=1: 我们预测残差的未来步数
strategystr, 可选, 默认值=’square’: 应用于残差的函数
distrstr, 可选, 默认值=’norm’: 分布假设 ([“norm”, “laplace”, “t”, “cauchy”])
distr_kwargsdict, 可选: 分布所需的附加参数

属性:

cutoff: 截断点 = 预测器的“当前时间”状态。
fh: 传入的预测范围。
is_fitted: 是否已调用 fit。

示例

>>> from sktime.datasets import load_macroeconomic
>>> from sktime.forecasting.base import ForecastingHorizon
>>> from sktime.forecasting.naive import NaiveForecaster
>>> from sktime.forecasting.theta import ThetaForecaster
>>> from sktime.forecasting.squaring_residuals import SquaringResiduals
>>> fc = NaiveForecaster()
>>> var_fc = ThetaForecaster()  
>>> y = load_macroeconomic().realgdp  
>>> sqr = SquaringResiduals(forecaster=fc, residual_forecaster=var_fc)
... 
>>> fh = ForecastingHorizon(values=[1, 2, 3])  
>>> sqr = sqr.fit(y, fh=fh)  
>>> pred_interval = sqr.predict_interval(coverage=0.95)  

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造类的实例。
`create_test_instances_and_names`([parameter_set])	创建所有测试实例列表及其名称列表。
`fit`(y[, X, fh])	将预测器拟合到训练数据。
`fit_predict`(y[, X, fh, X_pred])	在未来范围内拟合和预测时间序列。
`get_class_tag`(tag_name[, tag_value_default])	从类中获取类标签值，并从父级继承标签级别。
`get_class_tags`()	从类中获取类标签，并从父类继承标签级别。
`get_config`()	获取 self 的配置标志。
`get_fitted_params`([deep])	获取拟合参数。
`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，并应用标签级别继承和覆盖。
`get_tags`()	从实例获取标签，并应用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 BaseObject 组成。
`load_from_path`(serial)	从文件位置加载对象。
`load_from_serial`(serial)	从序列化的内存容器加载对象。
`predict`([fh, X])	在未来范围内预测时间序列。
`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。
`reset`()	将对象重置为初始化后的干净状态。
`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。
`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)	将实例级别的标签覆盖设置为给定值。
`update`(y[, X, update_params])	更新截断点值，并且可选地更新拟合参数。
`update_predict`(y[, cv, X, update_params, ...])	在测试集上迭代更新模型并进行预测。
`update_predict_single`([y, fh, X, update_params])	用新数据更新模型并进行预测。

check_is_fitted(method_name=None)[源]#

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。

如果未设置，则引发 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()[源]#

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。此函数等同于返回 self 的 sklearn.clone。

等同于构造一个新的 type(self) 实例，使用 self 的参数，即 type(self)(**self.get_params(deep=False))。

如果在 self 上设置了配置，则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 clone 返回一个新对象，而不是像 reset 那样改变 self。

引发:

如果克隆不符合要求，则引发 RuntimeError，这是由于 __init__ 错误造成的。

clone_tags(estimator, tag_names=None)[源]#

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，它们是不在对象构造后改变的静态标志。

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__ 方法中调用，即在构造期间，或通过 __init__ 直接在构造后调用。

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

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

当前标签值可通过 get_tags 或 get_tag 进行查看。

参数:

estimatorBaseObject 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) 克隆来自 estimator 的所有标签。

返回:

self: 指向 self 的引用。

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

使用第一个测试参数集构造类的实例。

参数:

parameter_setstr, 默认值=”default”: 要返回的测试参数集的名称，用于测试。如果未为某个值定义特殊参数，则将返回 “default” 集。

返回:

instance具有默认参数的类实例

classmethod create_test_instances_and_names(parameter_set='default')[源]#

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。如果未为某个值定义特殊参数，则将返回 “default” 集。

返回:

objscls 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，则命名约定为 {cls.__name__}-{i}，否则为 {cls.__name__}

property cutoff[源]#

截断点 = 预测器的“当前时间”状态。

返回:

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

property fh[源]#: 传入的预测范围。

fit(y, X=None, fh=None)[源]#

将预测器拟合到训练数据。

状态改变: 将状态改变为“已拟合”。

写入 self

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

将 self.is_fitted 标志设置为 True。

将 self.cutoff 设置为 y 中最后一个见到的索引。

如果传入了 fh，则将 fh 存储到 self.fh。

参数:

y符合 sktime 数据容器格式的时间序列。

用于拟合预测器的时间序列。

sktime 中的独立数据格式是所谓的 mtype 规范，每个 mtype 都实现一个抽象的 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)，类型为 Series 的 pd.DataFrame list
Hierarchical scitype = 分层集合，用于分层预测。具有 3 个或更多级别行 MultiIndex (层级 1, ..., 层级 n, 时间) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb

fhint, list, 可转换为 pd.Index 的对象，或 ForecastingHorizon, 默认值=None

编码要预测时间戳的预测范围。如果 self.get_tag("requires-fh-in-fit") 为 True，则必须在 fit 中传入，不可选

X符合 sktime 格式的时间序列，可选 (默认值=None)。

用于拟合模型的外部时间序列。应与 y 具有相同的 scitype (Series, Panel 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index") 为真，则 X.index 必须包含 y.index。

返回:

self指向 self 的引用。

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

在未来范围内拟合和预测时间序列。

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

状态改变: 将状态改变为“已拟合”。

写入 self

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

将 self.is_fitted 标志设置为 True。

将 self.cutoff 设置为 y 中最后一个见到的索引。

如果传入了 fh，则将 fh 存储到 self.fh。

参数:

y符合 sktime 数据容器格式的时间序列

用于拟合预测器的时间序列。

sktime 中的独立数据格式是所谓的 mtype 规范，每个 mtype 都实现一个抽象的 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)，类型为 Series 的 pd.DataFrame list
Hierarchical scitype = 分层集合，用于分层预测。具有 3 个或更多级别行 MultiIndex (层级 1, ..., 层级 n, 时间) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb

fhint, list, 可转换为 pd.Index 的对象，或 ForecastingHorizon (非可选)

编码要预测时间戳的预测范围。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则通过调用 _check_fh 将其强制转换为 ForecastingHorizon。

X符合 sktime 格式的时间序列，可选 (默认值=None)。

用于拟合模型的外部时间序列。应与 y 具有相同的 scitype (Series, Panel 或 Hierarchical)。如果 self.get_tag("X-y-must-have-same-index") 为真，则 X.index 必须包含 y.index。

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_pred符合 sktime 格式的时间序列，可选 (默认值=None)

返回:

用于预测的外部时间序列。如果传入，将在 predict 中使用而非 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") 为真，则 X.index 必须包含 fh 索引引用。: y_pred符合 sktime 数据容器格式的时间序列

在 fh 处的点预测，具有与 fh 相同的索引。y_pred 的类型与最近传入的 y 相同：Series, Panel, Hierarchical scitype，格式相同（见上文）

从类中获取类标签值，并从父级继承标签级别。

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

每个兼容 scikit-base 的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，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 的标签的值，并考虑标签覆盖，优先级从高到低如下所示：
类中的 _tags 属性中设置的标签。

父类中的 _tags 属性中设置的标签，

按继承顺序。

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

参数:

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。: tag_namestr
标签值的名称。: tag_value_default任意类型

返回:

如果未找到标签，则使用的默认值/备用值。: tag_value

self 中 tag_name 标签的值。如果未找到，则返回 tag_value_default。

从类中获取类标签，并从父类继承标签级别。

每个兼容 scikit-base 的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，它们是不在对象构造后改变的静态标志。

classmethod get_class_tags()[源]#

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 属性的任何键。

它返回对象中名称为 tag_name 的标签的值，并考虑标签覆盖，优先级从高到低如下所示：
类中的 _tags 属性中设置的标签。

父类中的 _tags 属性中设置的标签，

值是对应的标签值，按以下降序优先级应用覆盖：

实例可以根据超参数覆盖这些标签。

按继承顺序。

要包含可能包含实例覆盖的标签，请使用 get_tags 方法。

要包含来自动态标签的覆盖，请使用 get_tags。: collected_tagsdict

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 set_tags 或 clone_tags 设置的动态标签覆盖。

获取 self 的配置标志。

get_config()[源]#

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，这些配置覆盖默认配置。

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

返回:

配置在 clone 或 reset 调用后保留。: config_dictdict

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 _config_dynamic 对象属性的任何覆盖和新标签。

获取拟合参数。

get_fitted_params(deep=True)[源]#: 所需状态

参数:

需要状态为“已拟合”。

deepbool, 默认值=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 : 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 : 值字典，但不包括组件的拟合参数。

fitted_params键为 str 类型的 dict

拟合参数字典，参数名 : 参数值键值对包括
始终：此对象的所有拟合参数，通过 get_param_names 获取，值是该键对应的此对象的拟合参数值
如果 deep=True，还包含组件参数的键/值对，组件的参数被索引为 [componentname]__[paramname]，componentname 的所有参数以 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()[源]#

返回:

获取对象的参数默认值。: 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，如 __init__ 中定义的。

classmethod get_param_names(sort=True)[源]#

参数:

获取对象的参数名称。: sortbool, 默认值=True

返回:

是否按字母顺序排序返回参数名称 (True)，或按它们在类 __init__ 中出现的顺序返回 (False)。: 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。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:

需要状态为“已拟合”。

get_params(deep=True)[源]#

是否返回组件的参数。
如果为 True，将返回此对象的参数名 : 值 dict，包括组件（= BaseObject 类型参数）的参数。

返回:

如果为 False，将返回此对象的参数名 : 值 dict，但不包括组件的参数。

params键为 str 类型的 dict

参数字典，参数名 : 参数值键值对包括
始终：此对象的所有拟合参数，通过 get_param_names 获取，值是该键对应的此对象的拟合参数值
如果 deep=True，还包含组件参数的键/值对，组件的参数被索引为 [componentname]__[paramname]，componentname 的所有参数以 paramname 及其值的形式出现

始终：此对象的所有参数，通过 get_param_names 获取，值是该键对应的此对象的参数值，值始终与构造时传入的值相同

从实例获取标签值，并应用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，它们是不在对象构造后改变的静态标志。

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

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，并考虑标签覆盖，优先级从高到低如下所示：

通过 set_tags 或 clone_tags 在实例上设置的标签，

它返回对象中名称为 tag_name 的标签的值，并考虑标签覆盖，优先级从高到低如下所示：
类中的 _tags 属性中设置的标签。

父类中的 _tags 属性中设置的标签，

参数:

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。: 在实例构造时设置的标签。
要检索的标签名称: tag_value_default任意类型，可选；默认值=None
如果未找到标签，则使用的默认值/备用值: raise_errorbool

返回:

当未找到标签时是否引发 ValueError: 在 self 中 tag_name 标签的值。如果未找到，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。: 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，并应用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，它们是不在对象构造后改变的静态标志。

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 属性的任何属性的键，或通过 set_tags 或 clone_tags 设置的标签。

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。

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，并考虑标签覆盖，优先级从高到低如下所示：

通过 set_tags 或 clone_tags 在实例上设置的标签，

它返回对象中名称为 tag_name 的标签的值，并考虑标签覆盖，优先级从高到低如下所示：
类中的 _tags 属性中设置的标签。

父类中的 _tags 属性中设置的标签，

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 BaseObject 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:

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 self，结果输出到 path，是 cls.save(path) 的输出

classmethod load_from_serial(serial)[source]#

从序列化的内存容器加载对象。

参数:

serialcls.save(None) 输出的第一个元素

返回:

反序列化 self，结果输出 serial，是 cls.save(None) 的输出

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

在未来范围内预测时间序列。

get_fitted_params(deep=True)[源]#: 要求状态为“已拟合”（“fitted”），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: 如果传递了 fh 且之前未传递，则将 fh 存储到 self.fh。

参数:

fhint, list, 可转换为 pd.Index 的对象，或 ForecastingHorizon, 默认值=None

预测时间戳的预测范围。如果已在 fit 中传递，则不应再次传递。如果在 fit 中未传递，则必须传递，非可选。

如果 fh 不是 None 且不是 ForecastingHorizon 类型，则通过调用 _check_fh 将其强制转换为 ForecastingHorizon。

Xsktime 兼容格式的时间序列，可选 (default=None)

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

返回:

用于预测的外部时间序列。如果传入，将在 predict 中使用而非 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") 为真，则 X.index 必须包含 fh 索引引用。: y_pred符合 sktime 数据容器格式的时间序列

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。

get_fitted_params(deep=True)[源]#: 要求状态为“已拟合”（“fitted”），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: 如果传递了 fh 且之前未传递，则将 fh 存储到 self.fh。

参数:

fhint, list, 可转换为 pd.Index 的对象，或 ForecastingHorizon, 默认值=None

预测时间戳的预测范围。如果已在 fit 中传递，则不应再次传递。如果在 fit 中未传递，则必须传递，非可选。

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

如果 fh 是 int 或 int 的 array-like，它被解释为相对范围，并被强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，它被解释为绝对范围，并被强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

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

coveragefloat 或 unique 值 float 列表，可选 (default=0.90)

预测区间(s) 的名义覆盖率(s)

返回:

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。: 与输入 coverage 中的顺序相同。

第三级是字符串“lower”或“upper”，表示下/上区间端点。

行索引是 fh，附加（上层）级别等于实例级别，

来自 fit 中看到的 y，如果 fit 中看到的 y 是 Panel 或 Hierarchical。

条目是下/上区间端点的预测值，

对于列索引中的变量，在第二个列索引中的名义覆盖率下，取决于第三个列索引是下还是上，对于行索引。上/下区间端点预测值等价于 alpha = 0.5 - c/2, 0.5 + c/2 时（对于 coverage 中的 c）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，非分层) y 实现。
返回的分布对象需要安装 skpro。

get_fitted_params(deep=True)[源]#: 要求状态为“已拟合”（“fitted”），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: 如果传递了 fh 且之前未传递，则将 fh 存储到 self.fh。

参数:

fhint, list, 可转换为 pd.Index 的对象，或 ForecastingHorizon, 默认值=None

预测时间戳的预测范围。如果已在 fit 中传递，则不应再次传递。如果在 fit 中未传递，则必须传递，非可选。

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

如果 fh 是 int 或 int 的 array-like，它被解释为相对范围，并被强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，它被解释为绝对范围，并被强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

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

marginalbool, 可选 (default=True)

返回的分布是否按时间索引是边际分布

返回:

pred_distskpro BaseDistribution: 如果 marginal=True，则为预测分布，如果 marginal=False 且由方法实现，则为时间点的边际分布，否则为联合分布。

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。

get_fitted_params(deep=True)[源]#: 要求状态为“已拟合”（“fitted”），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: 如果传递了 fh 且之前未传递，则将 fh 存储到 self.fh。

参数:

fhint, list, 可转换为 pd.Index 的对象，或 ForecastingHorizon, 默认值=None

预测时间戳的预测范围。如果已在 fit 中传递，则不应再次传递。如果在 fit 中未传递，则必须传递，非可选。

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

如果 fh 是 int 或 int 的 array-like，它被解释为相对范围，并被强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，它被解释为绝对范围，并被强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

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

alphafloat 或 unique 值 float 列表，可选 (default=[0.05, 0.95])

计算分位数预测时的概率或概率列表。

返回:

quantilespd.DataFrame

列具有多级索引：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）级别等于实例级别，: 来自 fit 中看到的 y，如果 fit 中看到的 y 是 Panel 或 Hierarchical。
条目是分位数预测值，对于列索引中的变量，: 在第二个列索引中的分位数概率下，对于行索引。

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

返回时间序列预测的残差。

将计算在 y.index 上的预测值的残差。

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，则残差将计算在 range(len(y.shape[0])) 的 fh 上。

get_fitted_params(deep=True)[源]#: 要求状态为“已拟合”。如果已设置 fh，则必须对应于 y 的索引（pandas 或 integer）。
在 self 中访问: 以“_”结尾的已拟合模型属性。self.cutoff, self._is_fitted
写入 self: 无。

参数:

y符合 sktime 数据容器格式的时间序列

具有真实观测值的时间序列，用于计算残差。必须与 predict 的预期返回类型、维度和索引相同。

如果为 None，则使用迄今为止看到的 y（self._y），特别是

如果之前只有一次 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 (default=None)

用于更新和预测的外生时间序列。应与 fit 中的 y 具有相同的科学类型（scitype）（Series、Panel 或 Hierarchical）。如果 self.get_tag("X-y-must-have-same-index") 为真，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 与最近传递的 y 具有相同的类型：Series、Panel、Hierarchical 科学类型，相同的格式（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)[源]#: 要求状态为“已拟合”（“fitted”），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: 如果传递了 fh 且之前未传递，则将 fh 存储到 self.fh。

参数:

fhint, list, 可转换为 pd.Index 的对象，或 ForecastingHorizon, 默认值=None

预测时间戳的预测范围。如果已在 fit 中传递，则不应再次传递。如果在 fit 中未传递，则必须传递，非可选。

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

如果 fh 是 int 或 int 的 array-like，它被解释为相对范围，并被强制转换为相对的 ForecastingHorizon(fh, is_relative=True)。
如果 fh 是 pd.Index 类型，它被解释为绝对范围，并被强制转换为绝对的 ForecastingHorizon(fh, is_relative=False)。

Xsktime 兼容格式的时间序列，可选 (default=None)

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

covbool, 可选 (default=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 fit/update 中传递的 y 的列名完全相同。: 对于无名格式，列索引将是 RangeIndex。
行索引是 fh，附加级别等于实例级别，: 来自 fit 中看到的 y，如果 fit 中看到的 y 是 Panel 或 Hierarchical。

条目是方差预测值，对于列索引中的变量。给定变量和 fh 索引的方差预测值是预测的

在观测数据下，该变量和索引的方差。

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。
行索引是 fh，附加级别等于实例级别，: 来自 fit 中看到的 y，如果 fit 中看到的 y 是 Panel 或 Hierarchical。
条目是（协）方差预测值，对于列索引中的变量，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。

reset()[source]#

将对象重置为初始化后的干净状态。

结果是将 self 设置为构造函数调用后立即具有的状态，具有相同的超参数。通过 set_config 设置的配置值也得以保留。

reset 调用会删除任何对象属性，除了

超参数 = 写入 self 的 __init__ 参数，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”的属性会保留。
配置属性，配置保持不变。也就是说，reset 之前和之后的 get_config 结果相等。

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 而非返回新对象。

在调用 self.reset() 后，self 在值和状态上等于通过构造函数调用``type(self)(**self.get_params(deep=False))``获得的对象。

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，则返回一个内存中的序列化 self；如果 path 是文件位置，则将 self 以 zip 文件形式存储在该位置。

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（pickle）。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，则 self 保存为内存对象；如果是文件位置，则 self 保存到该文件位置。如果

path="estimator"，则会在当前工作目录下生成一个 zip 文件 estimator.zip。
path="/home/stored/estimator"，则 zip 文件 estimator.zip 将

存储在 /home/stored/ 中。

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 - 引用该文件的 ZipFile

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

使用 MAPE（非对称）评估预测与真实值。

参数:

ypd.Series, pd.DataFrame, 或 np.ndarray (1D 或 2D): 要评分的时间序列
fhint, list, 可转换为 pd.Index 的对象，或 ForecastingHorizon, 默认值=None: 编码要预测时间戳的预测范围。
Xpd.DataFrame, 或 2D np.array, 可选 (default=None): 用于评分的外生时间序列如果 self.get_tag(“X-y-must-have-same-index”) 为真，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 调用后保留。

配置名称 : 配置值对的字典。有效的配置、值及其含义列在下面

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, 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)。不嵌套，即仅影响 self，不影响组件估计器。

warningsstr，“on”（默认），或“off”

是否引发警告，仅影响来自 sktime 的警告

“on” = 将引发来自 sktime 的警告
“off” = 将不引发来自 sktime 的警告

backend:parallelstr, 可选, default=”None”

用于广播/向量化并行化的后端，以下之一

“None”：按顺序执行循环，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, 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，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 有效键的字典
- “shutdown_ray”：bool，默认=True；False 会阻止 ray 在并行化后关闭。
  并行化后关闭。
- “logger_name”：str，默认=”ray”；要使用的 logger 名称。
- “mute_warnings”：bool，默认=False；如果为 True，则抑制警告。

remember_databool, default=True

在 fit 中是否存储 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 时减少序列化大小，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:

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。

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>。如果引用是明确的，也可以使用不带 <component>__ 的字符串 <parameter>，例如，没有两个组件参数具有名称 <parameter>。

参数:

**paramsdict: BaseObject 参数，键必须是 <component>__<parameter> 字符串。__ 后缀如果在一系列 get_params 键中唯一，则可以作为完整字符串的别名。

返回:

self对 self 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。这些整数通过链式哈希（chain hashing）从 sample_dependent_seed 中采样，并保证种子随机生成器的伪随机独立性。

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

注意：即使 self 没有 random_state 参数，或者没有组件具有 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, default=None

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

需要状态为“已拟合”。

是否在值为 skbase 对象的参数（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，则也会设置组件对象中的 random_state 参数。

self_policystr, 以下之一：{“copy”, “keep”, “new”}, default=”copy”

“copy” : self.random_state 设置为输入的 random_state
“keep” : 保留 self.random_state
“new” : self.random_state 设置为新的随机状态，

从输入的 random_state 派生，通常与其不同。

返回:

self对 self 的引用

set_tags(**tag_dict)[source]#

将实例级别的标签覆盖设置为给定值。

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

标签是特定于实例 self 的键值对，它们是构造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，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、构造期间或通过 __init__ 构造后直接调用。

当前标签值可通过 get_tags 或 get_tag 进行查看。

参数:

**tag_dictdict: 标签名称：标签值对的字典。

返回:

Self: 对 self 的引用。

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

更新截断点值，并且可选地更新拟合参数。

如果没有实现估计器特定的 update 方法，默认的回退行为如下：

update_params=True：拟合迄今为止所有观测数据

update_params=False：仅更新截止点并记住数据

get_fitted_params(deep=True)[源]#: 要求状态为“已拟合”（“fitted”），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

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:

y符合 sktime 数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的独立数据格式是所谓的 mtype 规范，每个 mtype 都实现一个抽象的 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)，类型为 Series 的 pd.DataFrame list
Hierarchical scitype = 分层集合，用于分层预测。具有 3 个或更多级别行 MultiIndex (层级 1, ..., 层级 n, 时间) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb

X符合 sktime 格式的时间序列，可选 (默认值=None)。

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

update_paramsbool, 可选 (default=True)

模型参数是否应更新。如果为 False，则仅更新截止点，模型参数（例如，系数）不更新。

返回:

self对 self 的引用

update_predict(y, cv=None, X=None, update_params=True, reset_forecaster=True)[source]#

在测试集上迭代更新模型并进行预测。

通过基于时间分割器 cv 的数据回放，执行多个 update / predict 执行链的简写。

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() （稍后一次性返回）
self.update(y=cv.split_series(y)[1][0])
记住 self.predict() （稍后一次性返回）
等等
返回所有记住的预测

如果没有实现估计器特定的 update 方法，默认的回退行为如下：

update_params=True：拟合迄今为止所有观测数据

update_params=False：仅更新截止点并记住数据

get_fitted_params(deep=True)[源]#: 要求状态为“已拟合”（“fitted”），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:

y符合 sktime 数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的独立数据格式是所谓的 mtype 规范，每个 mtype 都实现一个抽象的 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)，类型为 Series 的 pd.DataFrame list
Hierarchical scitype = 分层集合，用于分层预测。具有 3 个或更多级别行 MultiIndex (层级 1, ..., 层级 n, 时间) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb

cv继承自 BaseSplitter 的时间交叉验证生成器，可选

例如，SlidingWindowSplitter 或 ExpandingWindowSplitter；默认 = ExpandingWindowSplitter，initial_window=1 且默认 = y/X 中的单个数据点逐个添加和预测，initial_window = 1，step_length = 1 且 fh = 1

Xsktime 兼容格式的时间序列，可选 (default=None)

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

update_paramsbool, 可选 (default=True)

模型参数是否应更新。如果为 False，则仅更新截止点，模型参数（例如，系数）不更新。

reset_forecasterbool, 可选 (default=True)

如果为 True，则不会改变预测器的状态，即使用副本运行 update/predict 序列，并且 self 的截止点、模型参数、数据记忆不会改变。
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用于将多个分割批次的点预测制成表格的对象

格式取决于（截止点，绝对范围）预测对整体

如果绝对范围点的集合是唯一的：类型是 sktime 兼容数据容器格式的时间序列，输出中省略截止点，其类型与最近传递的 y 相同：Series、Panel、Hierarchical 科学类型，格式相同（见上文）。
如果绝对范围点的集合不唯一：类型是 pandas DataFrame，行和列索引都是时间戳，行索引对应于进行预测的截止点，列索引对应于预测的绝对范围，条目是列索引的预测点，从行索引预测，如果在该（截止点，范围）对上没有进行预测，则条目为 nan。

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

用新数据更新模型并进行预测。

此方法对于一步完成更新和预测非常有用。

如果没有实现估计器特定的更新方法，默认的回退行为是先更新，然后预测。

get_fitted_params(deep=True)[源]#: 所需状态
在 self 中访问: 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。
写入 self: 通过追加行来更新 self._y 和 self._X 以及 y 和 X。将 self.cutoff 和 self._cutoff 更新为在 y 中看到的最后一个索引。如果 update_params=True，

更新以“_”结尾的已拟合模型属性。

参数:

y符合 sktime 数据容器格式的时间序列。

用于更新预测器的时间序列。

sktime 中的独立数据格式是所谓的 mtype 规范，每个 mtype 都实现一个抽象的 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)，类型为 Series 的 pd.DataFrame list
Hierarchical scitype = 分层集合，用于分层预测。具有 3 个或更多级别行 MultiIndex (层级 1, ..., 层级 n, 时间) 的 pd.DataFrame

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关用法，请参阅预测教程 examples/01_forecasting.ipynb

fhint, list, 可转换为 pd.Index 的对象，或 ForecastingHorizon, 默认值=None

预测时间戳的预测范围。如果已在 fit 中传递，则不应再次传递。如果在 fit 中未传递，则必须传递，非可选。

Xsktime 兼容格式的时间序列，可选 (default=None)

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

update_paramsbool, 可选 (default=True)

模型参数是否应更新。如果为 False，则仅更新截止点，模型参数（例如，系数）不更新。

返回:

用于预测的外部时间序列。如果传入，将在 predict 中使用而非 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") 为真，则 X.index 必须包含 fh 索引引用。: y_pred符合 sktime 数据容器格式的时间序列

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。如果未为某个值定义特殊参数，则返回 "default" 集。当前预测器没有保留值。

返回:

paramsdict 或 dict 列表，默认 = {}: 用于创建类测试实例的参数。每个 dict 都是构建“有趣”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。