FunctionParamFitter#

class FunctionParamFitter(param, func, kw_args=None, X_type=None)[源码]#

从任意可调用对象构建参数拟合器。

FunctionParamFitter 将其 X 参数转发给用户定义的函数（或可调用对象），并将此函数的结果设置为 param 属性。这对于无状态估计器很有用，例如简单的条件参数选择器。

注意：如果使用 lambda 函数作为 func，则生成的估计器将不可 pickle 化。

参数:

paramstr: 要设置的参数名称。
funccallable (X: X_type, **kwargs) -> Any: 用于参数估计的可调用对象。这将传递与估计器相同的参数，并转发 args 和 kwargs。
kw_argsdict, default=None: 要传递给 func 的附加关键字参数字典。
X_typestr, “pd.DataFrame, pd.Series, np.ndarray” 之一，或其列表: default = [“pd.DataFrame”, “pd.Series”, “np.ndarray”] func 假定允许的 X 类型列表（参见上面签名），如果传递给 transform/inverse_transform 的 X 不在此列表中，

它将被转换为列表的第一个元素，然后传递给 funcs

属性:

is_fitted: 是否已调用 fit。

另请参阅

sktime.param_est.plugin.PluginParamsForecaster: 将参数估计器的参数插入预测器。
sktime.forecasting.compose.MultiplexForecaster: 用于在不同模型之间进行选择的 MultiplexForecaster。

示例

此类可用于构建一个参数估计器，该估计器根据输入数据的长度选择预测器。所选预测器可以存储在 selected_forecaster_ 属性中，然后通过 PluginParamsForecaster 传递给 MultiplexForecaster。

>>> import numpy as np
>>> from sktime.param_est.compose import FunctionParamFitter
>>> param_est = FunctionParamFitter(
...     param="selected_forecaster",
...     func=(
...         lambda X, threshold: "naive-seasonal"
...         if len(X) >= threshold
...         else "naive-last"
...     ),
...     kw_args={"threshold": 7},
... )
>>> param_est.fit(np.asarray([1, 2, 3, 4]))
FunctionParamFitter(...)
>>> param_est.get_fitted_params()
{'selected_forecaster': 'naive-last'}
>>> param_est.fit(np.asarray([1, 2, 3, 4, 5, 6, 7]))
FunctionParamFitter(...)
>>> param_est.get_fitted_params()
{'selected_forecaster': 'naive-seasonal'}

完整的条件预测器选择管道可能如下所示

>>> from sktime.forecasting.compose import MultiplexForecaster
>>> from sktime.forecasting.naive import NaiveForecaster
>>> from sktime.param_est.plugin import PluginParamsForecaster
>>> forecaster = PluginParamsForecaster(
...     param_est=param_est,
...     forecaster=MultiplexForecaster(
...         forecasters=[
...             ("naive-last", NaiveForecaster()),
...             ("naive-seasonal", NaiveForecaster(sp=7)),
...         ]
...     ),
... )
>>> forecaster.fit(np.asarray([1, 2, 3, 4]))
PluginParamsForecaster(...)
>>> forecaster.predict(fh=[1,2,3])
array([[4.],
       [4.],
       [4.]])
>>> forecaster.fit(np.asarray([1, 2, 3, 4, 5, 6, 7]))
PluginParamsForecaster(...)
>>> forecaster.predict(fh=[1,2,3])
array([[1.],
       [2.],
       [3.]])

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])	创建所有测试实例及其名称列表。
`fit`(X[, y])	拟合估计器并估计参数。
`get_class_tag`(tag_name[, tag_value_default])	从类获取类标签值，并从父类继承标签级别。
`get_class_tags`()	从类获取类标签，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，并从父类继承标签级别和覆盖。
`get_tags`()	从实例获取标签，并从父类继承标签级别和覆盖。
`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。
`reset`()	将对象重置为干净的初始化后状态。
`save`([path, serialization_format])	将序列化的 self 保存到字节类对象或 (.zip) 文件。
`set_config`(**config_dict)	将配置标志设置为给定值。
`set_params`(**params)	设置此对象的参数。
`set_random_state`([random_state, deep, ...])	为 self 设置 random_state 伪随机种子参数。
`set_tags`(**tag_dict)	将实例级别标签覆盖设置为给定值。
`update`(X[, y])	根据更多数据更新拟合参数。

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

返回估计器的测试参数设置。

参数:

parameter_setstr, default=”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，将返回 "default" 集。参数估计器没有保留值。

返回:

paramsdict 或 list of dict, default = {}: 用于创建类测试实例的参数每个字典都是构造一个“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

check_is_fitted(method_name=None)[源码]#

检查估计器是否已拟合。

检查 _is_fitted 属性是否存在且为 True。is_fitted 属性应在调用对象的 fit 方法时设置为 True。

如果不是，则抛出 NotFittedError。

参数:

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

抛出:

NotFittedError: 如果估计器尚未拟合。

clone()[源码]#

获取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、处于初始化后状态的对象。此函数等同于返回 sklearn.clone 的 self。

等同于使用 self 的参数构造一个 type(self) 的新实例，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())。

在值上，也等同于调用 self.reset，不同之处在于 clone 返回一个新对象，而不是像 reset 那样改变 self。

抛出:

如果克隆由于错误的 __init__ 不符合要求，则会发生 RuntimeError。

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

从另一个对象克隆标签作为动态覆盖。

每个 scikit-base 兼容对象都带有一个标签字典。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，它们是对象构造后不会更改的静态标志。

clone_tags 设置来自另一个对象 estimator 的动态标签覆盖。

clone_tags 方法应仅在对象的 __init__ 方法中调用，即在构造期间，或在通过 __init__ 构造后直接调用。

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

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, default = 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: self 的引用。

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

使用第一个测试参数集构造类的实例。

参数:

parameter_setstr, default=”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，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')[源码]#

创建所有测试实例及其名称列表。

参数:

parameter_setstr, default=”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，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 个元素是测试中第 i 个 obj 实例的名称。如果实例多于一个，命名约定是 {cls.__name__}-{i}，否则是 {cls.__name__}

fit(X, y=None)[源码]#

拟合估计器并估计参数。

状态改变: 将状态更改为“已拟合”。
写入 self: 将 self._is_fitted 标志设置为 True。将 X 写入 self._X。如果 y 不为 None，则将 y 写入 self._y。设置以“_”结尾的拟合模型属性。

参数:

X sktime 兼容数据容器格式的时间序列。

用于拟合参数估计器的时间序列。

sktime 中的单个数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象 scitype。

Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray（1维或2维）
Panel scitype = 时间序列集合，全局/面板预测。具有2级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或包含 Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。具有3级或更多级别行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame

估计器是否支持面板或分层数据由 scitype 标签 scitype:X 和 scitype:y 决定。

有关数据格式的更多详情，请参阅词汇表中的 mtype。

y`sktime` 兼容数据容器格式的时间序列。

用于拟合参数估计器的第二个时间序列。

仅当估计器是成对估计器时才需要，即当标签 capability:pairwise 为 True 时。

否则输入将被忽略，并且不会抛出异常。

返回:

self对自身的引用。

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

从类获取类标签值，并从父类继承标签级别。

每个 scikit-base 兼容对象都有一个标签字典，用于存储有关对象的元数据。

get_class_tag 方法是一个类方法，用于检索标签的值，仅考虑类级别的标签值和覆盖。

它从对象中返回名称为 tag_name 的标签的值，考虑标签覆盖，按以下优先级降序排列：

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序。

不考虑通过 set_tags 或 clone_tags 在实例上设置的动态标签覆盖，这些覆盖定义在实例上。

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_name字符串: 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，返回 tag_value_default。

classmethod get_class_tags()[source]#

从类获取类标签，并从父类继承标签级别。

每个 scikit-base 兼容对象都带有一个标签字典。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，它们是对象构造后不会更改的静态标志。

get_class_tags 方法是一个类方法，用于检索标签值，仅考虑类级别的标签值和覆盖。

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。

值是对应的标签值，具有按以下优先级降序排列的覆盖：

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序。

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，这些覆盖定义在实例上。

要包含动态标签的覆盖，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 类属性中收集。不会被通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[source]#

获取 self 的配置标志。

配置是 self 的键值对，通常用作控制行为的临时标志。

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，并会被通过 set_config 设置的动态配置覆盖。

配置在 clone 或 reset 调用中会保留。

返回:

config_dict字典: 配置名称 : 配置值对的字典。通过嵌套继承从 _config 类属性中收集，然后从 _config_dynamic 对象属性中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布尔类型，默认为 True

是否返回组件的已拟合参数。

如果为 True，将为此对象返回一个参数名称 : 值的字典，包括可拟合组件（= BaseEstimator 值的参数）的已拟合参数。
如果为 False，将为此对象返回一个参数名称 : 值的字典，但不包括组件的已拟合参数。

返回:

fitted_params键为字符串类型的字典

已拟合参数的字典，参数名称 : 参数值键值对包括

总是：此对象的所有已拟合参数，如通过 get_param_names 获取的；值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 的所有参数都以 paramname 及其值的形式出现
如果 deep=True，也包含任意深度的组件递归，例如，[componentname]__[componentcomponentname]__[paramname]，等等

classmethod get_param_defaults()[source]#

获取对象的参数默认值。

返回:

default_dict: 字典[字符串, 任意类型]: 键是 cls 中在 __init__ 中定义了默认值的所有参数。值是 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:

sort布尔类型，默认为 True: 是否按字母顺序返回参数名称 (True)，或按它们在类 __init__ 中出现的顺序返回 (False)。

返回:

param_names: 字符串列表: 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布尔类型，默认为 True

是否返回组件的参数。

如果为 True，将为此对象返回一个参数名称 : 值的 dict，包括组件（= BaseObject 值的参数）的参数。
如果为 False，将为此对象返回一个参数名称 : 值的 dict，但不包括组件的参数。

返回:

params键为字符串类型的字典

参数的字典，参数名称 : 参数值键值对包括

总是：此对象的所有参数，如通过 get_param_names 获取的；值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，也包含组件参数的键值对；组件的参数按 [componentname]__[paramname] 索引；componentname 的所有参数都以 paramname 及其值的形式出现
如果 deep=True，也包含任意深度的组件递归，例如，[componentname]__[componentcomponentname]__[paramname]，等等

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

从实例获取标签值，并从父类继承标签级别和覆盖。

每个 scikit-base 兼容对象都带有一个标签字典。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，它们是对象构造后不会更改的静态标志。

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，考虑标签覆盖，按以下优先级降序排列：

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

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，

按继承顺序。

参数:

tag_name字符串: 要检索的标签的名称
tag_value_default任意类型，可选；默认为 None: 如果未找到标签，则返回的默认/备用值
raise_error布尔类型: 未找到标签时是否抛出 ValueError 异常

返回:

tag_value任意类型: `self` 中 tag_name 标签的值。如果未找到，并且 raise_error 为 True，则抛出错误；否则返回 tag_value_default。

抛出:

ValueError，如果 raise_error 为 True。: 如果 tag_name 不在 self.get_tags().keys() 中，则会抛出 ValueError。

get_tags()[source]#

从实例获取标签，并从父类继承标签级别和覆盖。

每个 scikit-base 兼容对象都带有一个标签字典。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，它们是对象构造后不会更改的静态标志。

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，或通过 set_tags 或 clone_tags 设置的标签。

值是对应的标签值，具有按以下优先级降序排列的覆盖：

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

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，

按继承顺序。

返回:

collected_tags字典: 标签名称 : 标签值对的字典。通过嵌套继承从 _tags 类属性中收集，然后从 _tags_dynamic 对象属性中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。

复合对象是一个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: 布尔类型: 对象是否包含任何其值是 BaseObject 子代实例的参数。

property is_fitted[source]#

是否已调用 fit。

检查对象的 _is_fitted` 属性，该属性在对象构造期间应初始化为 ``False，并在调用对象的 fit 方法时设置为 True。

返回:

布尔类型: 估计器是否已“拟合”。

classmethod load_from_path(serial)[source]#

从文件位置加载对象。

参数:

serial`ZipFile(path).open("object")` 的结果

返回:

反序列化后的自身，生成位于 path 的输出，即 cls.save(path) 的结果。

classmethod load_from_serial(serial)[source]#

从序列化内存容器加载对象。

参数:

serial`cls.save(None)` 输出的第一个元素

返回:

反序列化后的自身，生成输出 serial，即 cls.save(None) 的结果。

reset()[source]#

将对象重置为干净的初始化后状态。

结果是将 self 设置为构造器调用后立即所处的状态，具有相同的超参数。通过 set_config 设置的配置值也保留。

一个 reset 调用删除任何对象属性，除了

超参数 = 写入 self 的 __init__ 参数，例如 self.paramname，其中 paramname 是 __init__ 的参数
包含双下划线的对象属性，即字符串 "__"。例如，名为 "__myattr" 的属性会保留。
配置属性，配置会保留不变。也就是说，在 reset 前后调用 get_config 的结果是相同的。

类方法、对象方法和类属性也保持不变。

相当于 clone，区别在于 reset 会修改 self 而不是返回一个新对象。

在调用 self.reset() 后，self 在值和状态上与构造器调用``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自身；如果 path 是文件位置，则将自身以 zip 文件格式存储在该位置

保存的文件是包含以下内容的 zip 文件：`_metadata` - 包含自身的类，即 type(self)；`_obj` - 序列化后的自身。此类使用默认的序列化方式 (pickle)。

参数:

pathNone 或文件位置（字符串或 Path 对象）

如果为 None，自身将被保存到内存对象中；如果是文件位置，自身将被保存到该文件位置。如果

path="estimator"，则将在当前工作目录 (cwd) 创建一个名为 estimator.zip 的 zip 文件。
path="/home/stored/estimator"，则将创建一个名为 estimator.zip 的 zip 文件，该文件将

存储在 /home/stored/ 中。

serialization_format: 字符串，默认为 “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 - 内存中的序列化自身
如果 path 是文件位置 - 指向该文件的 ZipFile 对象

set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数:

config_dict字典

配置名称 : 配置值对的字典。有效的配置、值及其含义如下所示：

display字符串，“diagram”（图示，默认）或“text”（文本）

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_only布尔类型，默认为 True

打印 self 时是否仅列出与默认值不同的自身参数 (True)，或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。

warnings字符串，“on”（开启，默认）或“off”（关闭）

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” = 不会发出来自 sktime 的警告

backend:parallel字符串，可选，默认为 “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，需要环境中安装 dask 包
“ray”：使用 ray，需要环境中安装 ray 包

backend:parallel:params字典，可选，默认为 {}（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；可以在此处传递 joblib.Parallel 的任何有效键，例如 n_jobs，除了由 backend 直接控制的 backend 参数。如果未传递 n_jobs，则默认为 -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。可以在此处传递 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 的键传递。如果未传递 n_jobs，则默认为 -1，其他参数将默认为 joblib 的默认值。
“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”：布尔类型，默认为 True；False 可以阻止 ray 在并行化后
  关闭。
- “logger_name”：字符串，默认为 “ray”；要使用的日志记录器的名称。
- “mute_warnings”：布尔类型，默认为 False；如果为 True，则抑制警告

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。对于复合对象（即包含其他对象的对象），可以使用参数键字符串 <component>__<parameter> 来访问组件 <component> 中的 <parameter>。如果引用明确（例如，没有两个组件参数具有相同的名称 <parameter>），也可以使用不带 <component>__ 的字符串 <parameter>。

参数:

**params字典: BaseObject 参数，键必须是 <component>__<parameter> 形式的字符串。如果 __ 后缀在 get_params 键中是唯一的，则可以作为完整字符串的别名。

返回:

self对自身的引用（参数设置后）

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

为 self 设置 random_state 伪随机种子参数。

通过 self.get_params 查找名为 random_state 的参数，并通过 set_params 将它们设置为从 random_state 派生的整数。这些整数通过 sample_dependent_seed 从链式哈希中采样得到，并保证种子随机生成器的伪随机独立性。

根据 self_policy 适用于 self 中的 random_state 参数，并且仅当 deep=True 时适用于其余组件对象。

注意：即使 self 没有 random_state 参数，或者没有一个组件有 random_state 参数，也会调用 set_params。因此，set_random_state 会重置任何 scikit-base 对象，即使是没有 random_state 参数的对象。

参数:

random_state整数、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。传递整数可在多次函数调用中获得可重现的输出。

deep布尔类型，默认为 True

是否在值为 skbase 对象的参数中设置随机状态，即组件估计器。

如果为 False，如果存在，将仅设置 self 的 random_state 参数。
如果为 True，也会设置组件对象中的 random_state 参数。

self_policy字符串，以下之一 {“copy”, “keep”, “new”}，默认为 “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，通常与输入的不同

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。

每个 scikit-base 兼容对象都有一个标签字典，用于存储有关对象的元数据。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会改变。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 方法应该只在对象的 __init__ 方法中、构造期间或通过 __init__ 构造后立即调用。

可以通过 get_tags 或 get_tag 检查当前标签值。

参数:

**tag_dict字典: 标签名称 : 标签值对的字典。

返回:

self: 对自身的引用。

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

根据更多数据更新拟合参数。

如果没有实现估计器特定的更新方法，默认的回退策略是拟合所有目前观察到的数据

所需状态: 要求状态为“已拟合”（“fitted”）。
访问 `self` 中的: 以 “_” 结尾的已拟合模型属性。指向已见数据的指针，self._X、self._is_fitted。以 “_” 结尾的模型属性。
写入 self: 通过追加行，使用 X 更新 self._X。更新以 “_” 结尾的已拟合模型属性。

参数:

X sktime 兼容数据容器格式的时间序列。

用于拟合参数估计器的时间序列。

sktime 中的单个数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象 scitype。

Series scitype = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 np.ndarray（1维或2维）
Panel scitype = 时间序列集合，全局/面板预测。具有2级行 MultiIndex (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，或包含 Series 类型 pd.DataFrame 的 list
Hierarchical scitype = 分层集合，用于分层预测。具有3级或更多级别行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame

估计器是否支持面板或分层数据由 scitype 标签 scitype:X 和 scitype:y 决定。

有关数据格式的更多详情，请参阅词汇表中的 mtype。

y`sktime` 兼容数据容器格式的时间序列。

用于拟合参数估计器的第二个时间序列。

仅当估计器是成对估计器时才需要，即当标签 capability:pairwise 为 True 时。

否则输入将被忽略，并且不会抛出异常。

返回:

self对自身的引用