ParamFitterPipeline#

class ParamFitterPipeline(param_est, transformers)[source]#

变换器和参数估计器的流水线。

作为组合器的 ParamFitterPipeline 将变换器和一个估计器串联起来。该流水线由 sktime 变换器列表以及一个估计器构成，

即遵循 BaseTransformer, ParamFitterPipeline 接口的估计器。

变换器列表可以是未命名的 - 即一个简单的变换器列表 -: 或者字符串命名的 - 即字符串和估计器对的列表。

对于变换器列表 trafo1, trafo2, …, trafoN 和估计器 est，

流水线行为如下：

fit(X) - 通过在 X 上运行 trafo1.fit_transform 来改变状态，

然后在 trafo1.fit_transform 的输出上运行 trafo2.fit_transform，等等，trafo[i] 依次接收 trafo[i-1] 的输出，然后运行 est.fit，其中 X 是 trafo[N] 的输出。

update(X) - 通过在 X 上运行 trafo1.update.transform 来改变状态，

然后在 trafo1.update.transform 的输出上运行 trafo2.update.transform，等等，trafo[i] 依次接收 trafo[i-1] 的输出，然后运行 est.update，其中 X 是 trafo[N] 的输出。

get_params, set_params 使用与 sklearn 兼容的嵌套接口

如果列表未命名，则名称将生成为类名；如果名称非唯一，则在每个名称字符串后附加 f"_{str(i)}"

其中 i 是列表中直至该非唯一字符串（包括该字符串）的总出现次数。

ParamFitterPipeline 也可以通过使用魔法乘法（magic multiplication）创建

在任何参数估计器上，即如果 est 继承自 BaseParamFitter，: 并且 my_trafo1, my_trafo2 继承自 BaseTransformer，那么，例如，my_trafo1 * my_trafo2 * est 将产生与构造函数 ParamFitterPipeline(param_est=est, transformers=[my_trafo1, my_trafo2]) 获得的对象相同。
魔法乘法也可以用于 (str, transformer) 对，: 只要链中有一个元素是变换器即可

参数:

param_est参数估计器，即继承自 BaseParamFitter 的估计器: 这是一个“蓝图”估计器，当调用 fit 时，其状态不会改变
transformerssktime 变换器列表，或: sktime 变换器的元组列表 (str, transformer)。这些是“蓝图”变换器，当调用 fit 时，其状态不会改变

属性:

param_est_sktime 估计器，param_est 中估计器的克隆: 当调用 fit 时，此克隆在流水线中拟合
transformers_sktime 变换器的元组列表 (str, transformer): transformers 中在流水线中拟合的变换器的克隆总是采用 (str, transformer) 格式，即使 transformers 只是一个列表。未在 transformers 中传递的字符串是唯一生成的字符串。transformers_ 中的第 i 个变换器是 transformers 中第 i 个变换器的克隆。

示例

>>> from sktime.param_est.compose import ParamFitterPipeline
>>> from sktime.param_est.seasonality import SeasonalityACF
>>> from sktime.transformations.series.difference import Differencer
>>> from sktime.datasets import load_airline
>>>
>>> X = load_airline()
>>> pipe = ParamFitterPipeline(SeasonalityACF(), [Differencer()])  
>>> pipe.fit(X)  
ParamFitterPipeline(...)
>>> pipe.get_fitted_params()["sp"]  
12

通过双下划线方法（dunder method）的替代构造

>>> pipe = Differencer() * SeasonalityACF()  

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])	将标签从另一个对象克隆为动态覆盖。
`create_test_instance`([parameter_set])	使用第一个测试参数集构造类的实例。
`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`(X[, y])	拟合估计器并估计参数。
`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。
`get_class_tags`()	从类中获取类标签，具有来自父类的标签级别继承。
`get_config`()	获取自身的配置标志。
`get_fitted_params`([deep])	获取已拟合参数。
`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 `transformers` 中估计器的参数。
`get_tag`(tag_name[, tag_value_default, ...])	从实例获取标签值，具有标签级别继承和覆盖。
`get_tags`()	从实例获取标签，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。
`is_composite`()	检查对象是否为复合对象。
`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。
`reset`()	将对象重置为干净的初始化后状态。
`save`([path, serialization_format])	将序列化的自身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`(**kwargs)	设置 `transformers` 中估计器的参数。
`set_random_state`([random_state, deep, ...])	为自身设置 random_state 伪随机种子参数。
`set_tags`(**tag_dict)	将实例级别标签覆盖设置为给定值。
`update`(X[, y])	在更多数据上更新已拟合参数。

get_params(deep=True)[source]#

获取 transformers 中估计器的参数。

参数:

deep布尔值，可选，默认为 True: 如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:

params字符串到任意类型的映射: 参数名称映射到它们的值。

set_params(**kwargs)[source]#

设置 transformers 中估计器的参数。

有效的参数键可以使用 get_params() 列出。

返回:

self返回自身的实例。

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。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: 调用此方法的函数的名称。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的不同对象，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 type(self) 的新实例，并使用 self 的参数，即 type(self)(**self.get_params(deep=False))。

如果在 self 上设置了配置，克隆也将具有与原始对象相同的配置，等同于调用 cloned_self.set_config(**self.get_config())。

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

抛出:

如果克隆不符合规范，由于 __init__ 存在缺陷，将引发 RuntimeError。

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

将标签从另一个对象克隆为动态覆盖。

每个与 scikit-base 兼容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，它们是对象构造后不会更改的静态标志。

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__ 直接在构造之后调用。

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 的默认值将 estimator 中的所有标签写入 self。

当前的标签值可以通过 get_tags 或 get_tag 检查。

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:

self: 对 self 的引用。

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

使用第一个测试参数集构造类的实例。

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_setstr，默认为“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，与 objs 长度相同: 第 i 个元素是测试中 obj 的第 i 个实例的名称。如果实例多于一个，命名约定为 {cls.__name__}-{i}，否则为 {cls.__name__}。

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

拟合估计器并估计参数。

状态改变: 将状态改为“已拟合”。
写入自身: 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“_”结尾的已拟合模型属性。

参数:

Xsktime 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 中的个体数据格式是所谓的 mtype 规范，每种 mtype 都实现了抽象的 scitype。

Series scitype = 个体时间序列，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 (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，Series 类型 pd.DataFrame 的 list。
Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame。

估计器是否支持 panel 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细信息，请参阅 mtype 词汇表。

ysktime 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，即如果标签 capability:pairwise 为 True。

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]#

从类中获取类标签值，具有来自父类的标签级别继承。

每个与 scikit-base 兼容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，它检索标签值时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 的标签值，考虑标签覆盖，按以下降序优先级排序：

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。

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

要检索具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，可选；默认为 None: 如果未找到标签，则为默认/备用值。

返回:

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

classmethod get_class_tags()[source]#

从类中获取类标签，具有来自父类的标签级别继承。

每个与 scikit-base 兼容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，它检索标签值时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。

值是相应的标签值，具有按以下降序优先级的覆盖：

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。

要检索具有潜在实例覆盖的标签，请改用 get_tags 方法。

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

要包含动态标签的覆盖，请使用 get_tags。

collected_tags字典: 标签名 : 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。

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态标志。

get_config 返回动态配置，这些配置会覆盖默认配置。

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

配置在 clone 或 reset 调用下保留。

返回:

config_dict字典: 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]#

获取已拟合参数。

所需状态: 要求状态为“已拟合”。

参数:

deep布尔值，默认为 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 : 参数值字典，包括可拟合组件（即 BaseEstimator 值参数）的已拟合参数。
如果为 False，将返回此对象的参数名 : 参数值字典，但不包括组件的已拟合参数。

返回:

fitted_params键为 str 值的字典

已拟合参数字典，键值对 paramname : paramvalue 包括

始终：此对象的所有已拟合参数，通过 get_param_names 获得。值是此对象该键的已拟合参数值
如果 deep=True，还包含组件参数的键/值对。组件参数的索引格式为 [componentname]__[paramname]。componentname 的所有参数都以 paramname 及其值形式出现。
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 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布尔值，默认为 True: 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）。

返回:

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，则按字母顺序排序。

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

从实例获取标签值，具有标签级别继承和覆盖。

每个与 scikit-base 兼容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 的单个标签值，考虑标签覆盖，按以下降序优先级排序：

通过实例上的 set_tags 或 clone_tags 设置的标签，

在实例构建时设置的。

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_namestr: 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/备用值
raise_error布尔值: 当未找到标签时是否引发 ValueError 错误

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，则引发错误，否则返回 tag_value_default。

抛出:

ValueError 错误，如果 raise_error 为 True。: 如果 tag_name 不在 self.get_tags().keys() 中，则会引发 ValueError 错误。

get_tags()[source]#

从实例获取标签，具有标签级别继承和覆盖。

每个与 scikit-base 兼容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。

值是相应的标签值，具有按以下降序优先级的覆盖：

通过实例上的 set_tags 或 clone_tags 设置的标签，

在实例构建时设置的。

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 对象属性中获取任何覆盖和新标签。

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。如果未为某个值定义特殊参数，将返回 "default" 集。

返回:

params字典或字典列表，默认={}: 用于创建类的测试实例的参数。每个字典都是用于构建“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。

is_composite()[source]#

检查对象是否为复合对象。

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：布尔值，表示 self 是否包含一个属于 BaseObject 类型的参数

property is_fitted[source]#

是否已调用 fit 方法。

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

返回:

布尔值: 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，这是 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，结果输出为 serial，这是 cls.save(None) 的输出

reset()[source]#

将对象重置为干净的初始化后状态。

将 self 重置到构造函数调用后的状态，保留相同的超参数。通过 set_config 设置的配置值也得以保留。

调用 reset 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，配置保持不变。也就是说，reset 前后 get_config 的结果是相等的。

类和对象方法，以及类属性也不受影响。

等同于 clone，不同之处在于 reset 修改 self 而不是返回一个新对象。

调用 self.reset() 后，self 在值和状态上与构造函数调用``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，则返回内存中的序列化 self；如果 path 是文件位置，则将 self 作为 zip 文件存储在该位置

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方法 (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；如果为文件位置，self 将保存到该文件位置。如果

path=”estimator”，则将在当前工作目录创建 estimator.zip zip 文件。
path=”/home/stored/estimator”，则将在

/home/stored/ 中存储 estimator.zip zip 文件。

serialization_format：字符串，默认值 = “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

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。有效配置、值及其含义如下所列

display字符串，“diagram”（默认）或“text”

jupyter 内核如何显示 self 的实例

“diagram” = html 框图表示
“text” = 字符串输出

print_changed_only布尔值，默认=True

打印 self 时是仅列出与默认值不同的 self 参数 (True)，还是列出所有参数名称和值 (False)。不嵌套，即仅影响 self，不影响组件估计器。

warnings字符串，“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:parallel字符串，可选，默认=”None”

广播/向量化时用于并行的后端，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，需要在环境中安装 dask 包
“ray”：使用 ray，需要在环境中安装 ray 包

backend:parallel:params字典，可选，默认={}（不传递参数）

作为配置传递给并行后端额外参数。有效键取决于 backend:parallel 的值

“None”：无额外参数，backend_params 被忽略
“loky”、“multiprocessing” 和 “threading”：默认 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，它直接由 backend 控制。如果未传递 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。此处可以传递 joblib.Parallel 的任何有效键，例如 n_jobs。backend 在这种情况下必须作为 backend_params 的键传递。如果未传递 n_jobs，它将默认为 -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”：布尔值，默认=True；False 可防止 ray 在
  并行化后关闭。
- “logger_name”：字符串，默认=”ray”；要使用的 logger 名称。
- “mute_warnings”：布尔值，默认=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_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。这些整数通过链式哈希从 sample_dependent_seed 中采样，并保证 seeded 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，或者没有任何组件有 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_state整数，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。传递整数可在多次函数调用中获得可重现的输出。

deep布尔值，默认为 True

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，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_policy字符串，以下之一：{“copy”, “keep”, “new”}，默认=”copy”

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

从输入的 random_state 派生，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。

每个与 scikit-base 兼容的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，对象构建后不会改变。它们可用于元数据检查，或用于控制对象的行为。

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成的值。

set_tags 方法应仅在对象的 __init__ 方法中调用，即在构建期间或通过 __init__ 直接构建后调用。

当前的标签值可以通过 get_tags 或 get_tag 检查。

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]#

在更多数据上更新已拟合参数。

如果未实现估计器特定的 update 方法，则默认回退是拟合到目前为止所有观测到的数据

所需状态: 要求状态为“已拟合”。
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._X self._is_fitted 以“_”结尾的模型属性。
写入自身: 通过追加行来用 X 更新 self._X。更新以“_”结尾的拟合模型属性。

参数:

Xsktime 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 中的个体数据格式是所谓的 mtype 规范，每种 mtype 都实现了抽象的 scitype。

Series scitype = 个体时间序列，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 (instance, time) 的 pd.DataFrame，3D np.ndarray (instance, variable, time)，Series 类型 pd.DataFrame 的 list。
Hierarchical scitype = 分层集合，用于分层预测。具有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time) 的 pd.DataFrame。

估计器是否支持 panel 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细信息，请参阅 mtype 词汇表。

ysktime 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，即如果标签 capability:pairwise 为 True。

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