季节性ACF#

class SeasonalityACF(candidate_sp=None, p_threshold=0.05, adjusted=False, nlags=None, fft=True, missing='none')[source]#

使用自相关函数 CI 查找候选季节性参数。

使用 statsmodels.tsa.stattools.act 计算自相关函数，并使用其测试功能确定候选季节性参数。（“季节性参数”是整数滞后，下面缩写为 sp）

在给定的显著性水平下获得置信区间，并返回具有显著正自相关的滞后，按置信下限排序。

注意：这应应用于平稳序列。

通过差分可以快速实现平稳性转换。另请参见：Differencer

参数:
candidate_spNone、int 或 int 列表，可选，默认 = None

要测试的候选 sp，以及限制测试范围；整数必须大于或等于 2；如果为 None，将测试介于 2 和 nlags 之间的所有整数滞后（包含边界）

p_threshold浮点数，可选，默认=0.05

用于季节性测试的显著性阈值

adjusted布尔值，可选，默认=False

如果为 True，则自协方差的分母为 n-k，否则为 n。

nlags整数，可选，默认=None

要计算自相关并从中选择的滞后数。默认 None 时，使用 min(10 * np.log10(nobs), nobs - 1)。如果提供了 candidate_sp，则此参数将被忽略。

fft布尔值，可选，默认=True

如果为 True，则通过 FFT 计算 ACF。

missing字符串，[“none”, “raise”, “conservative”, “drop”] 之一，可选，默认=”none”

指定如何处理 NaN 值。“none” 不执行任何检查。“raise” 如果发现 NaN 值则抛出异常。“drop” 移除缺失观测值并视非缺失观测值为连续。“conservative” 使用 nan-ops 计算自协方差，以便在计算用于估计自协方差的均值和交叉乘积时移除 nan 值。

使用“conservative”时，n 设置为非缺失观测值的数量。

属性:
sp_整数，p 值最低的季节性周期，如果存在低于阈值的情况，否则为 1

如果传递了 candidate_sp，则结果将在 candidate_sp 或 1 中

sp_significant_整数列表，p 值低于阈值的季节性周期

按 p 值递增排序。如果都没有低于阈值，则为空列表，而不是 [1]

示例

>>> from sktime.datasets import load_airline
>>> from sktime.param_est.seasonality import SeasonalityACF
>>>
>>> X = load_airline().diff()[1:]  
>>> sp_est = SeasonalityACF()  
>>> sp_est.fit(X)  
SeasonalityACF(...)
>>> sp_est.get_fitted_params()["sp"]  
12
>>> sp_est.get_fitted_params()["sp_significant"]  
array([12, 11])

在应用 ACF 之前，序列应该是平稳的。要将 SeasonalityACF 与 Differencer 构建流水线，请使用 ParamFitterPipeline

>>> from sktime.datasets import load_airline
>>> from sktime.param_est.seasonality import SeasonalityACF
>>> from sktime.transformations.series.difference import Differencer
>>>
>>> X = load_airline()  
>>> sp_est = Differencer() * SeasonalityACF()  
>>> sp_est.fit(X)  
ParamFitterPipeline(...)
>>> sp_est.get_fitted_params()["sp"]  
12
>>> sp_est.get_fitted_params()["sp_significant"]  
array([12, 11])

方法

check_is_fitted([method_name])

检查估计器是否已拟合。

克隆()

获取一个具有相同超参数和配置的对象克隆。

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(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，包含来自父类的标签级别继承。

获取类标签()

从类中获取类标签，包含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])

获取已拟合的参数。

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, ...])

从实例获取标签值，包含标签级别继承和覆盖。

获取标签()

从实例获取标签，包含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。

是否为复合对象()

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)

从序列化内存容器加载对象。

重置()

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为字节类对象或保存到 (.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, ...])

为自身设置 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(X[, y])

在更多数据上更新拟合参数。
classmethod get_test_params(parameter_set='default')[source]#

返回估计器的测试参数设置。

参数:
parameter_set字符串，默认=”default”

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。当前没有为转换器保留的值。

返回值:
params字典或字典列表，默认 = {}

用于创建类测试实例的参数。每个字典都是用于构造“有趣”测试实例的参数，例如 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)[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 异常。

参数:
method_name字符串，可选

调用此方法的名称。如果提供，错误消息将包含此信息。

抛出异常:
未拟合错误

如果估计器尚未拟合。

clone()[source]#

获取一个具有相同超参数和配置的对象克隆。

克隆是另一个没有共享引用且处于初始化后状态的对象。此函数等效于返回 sklearn.clone 的 self。

等效于构造一个新的 type(self) 实例，参数与 self 相同，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，等效于调用 cloned_self.set_config(**self.get_config())。

在值上也等效于调用 self.reset，但 clone 返回一个新对象，而不是像 reset 那样修改 self。

抛出异常:
如果由于 __init__ 错误导致克隆不符合规范，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。标签可用于存储关于对象的元数据，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 方法应仅在对象的 __init__ 方法中调用，即在构造期间或通过 __init__ 构造之后直接调用。

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

tag_names 的默认值是将 estimator 中的所有标签写入 self。

当前标签值可以通过 get_tags 或 get_tag 检查。

参数:
estimator:class:BaseObject 或派生类的实例
tag_names字符串或字符串列表，默认 = None

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

返回值:
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实例。

参数:
parameter_set字符串，默认=”default”

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。

返回值:
instance具有默认参数的类实例
classmethod create_test_instances_and_names(parameter_set='default')[source]#

创建所有测试实例列表及其名称列表。

参数:
parameter_set字符串，默认=”default”

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。

返回值:
objscls 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 个元素是测试中第 i 个 obj 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。

状态变化

将状态更改为“fitted”（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 (1D 或 2D)

  • Panel scitype = 时间序列集合，全局/面板预测。pd.DataFrame 带有 2 级行 MultiIndex (实例, 时间), 3D np.ndarray (实例, 变量, 时间), list 类型的 pd.DataFrame，其中包含 Series 类型数据。

  • Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 带有 3 个或更多级别行 MultiIndex (层级_1, ..., 层级_n, 时间)。

估计器是否支持面板数据或分层数据由 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 术语表。

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（即标签 capability:pairwise 为 True）时才需要。

否则输入将被忽略，并且不会抛出异常。

返回值:
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，包含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，用于存储关于对象的元数据。

get_class_tag 方法是一个类方法，它只考虑类级别的标签值和覆盖来检索标签的值。

它从对象中返回名称为 tag_name 的标签值，考虑标签覆盖，优先级按以下降序排列：

  1. 在类的 _tags 属性中设置的标签。

  2. 在父类的 _tags 属性中设置的标签，

按继承顺序排列。

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

要检索可能包含实例覆盖的标签值，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

如果找不到标签，则使用默认/回退值。

返回值:
标签值

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，包含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。标签可用于存储关于对象的元数据，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改变的静态标志。

get_class_tags 方法是一个类方法，它只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任何 _tags 属性的键。

值是相应的标签值，覆盖顺序按以下降序排列：

  1. 在类的 _tags 属性中设置的标签。

  2. 在父类的 _tags 属性中设置的标签，

按继承顺序排列。

实例可以根据超参数覆盖这些标签。

要检索可能包含实例覆盖的标签，请改用 get_tags 方法。

不考虑在实例上通过 set_tags 或 clone_tags 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_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。不会被通过 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 设置的动态配置进行覆盖。

配置在 clone 或 reset 调用下保留。

返回值:
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，然后是 _onfig_dynamic 对象属性中的任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

获取已拟合的参数。

需要状态

需要状态为“fitted”（已拟合）。

参数:
deep布尔值，默认=True

是否返回组件的拟合参数。

  • 如果为 True，则将返回此对象的参数名称: 值字典，包括可拟合组件（= BaseEstimator 值的参数）的拟合参数。

  • 如果为 False，则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。

返回值:
fitted_params键为字符串的字典

拟合参数字典，paramname : paramvalue 键值对包括

  • 始终：此对象的所有拟合参数，通过 get_param_names 获取，值为此对象该键的拟合参数值

  • 如果 deep=True，也包含组件参数的键值对，组件的参数索引为 [componentname]__[paramname]，componentname 的所有参数都以 paramname 及其值出现

  • 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。

返回值:
default_dict: dict[str, Any]

键是 cls 中所有在 __init__ 中定义了默认值的参数。值是默认值，定义在 __init__ 中。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:
sort布尔值，默认=True

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。

返回值:
param_names: list[str]

列出 cls 的参数名称。如果 sort=False，则顺序与它们在类 __init__ 中出现的顺序相同。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布尔值，默认=True

是否返回组件的参数。

  • 如果为 True，则将返回此对象的参数名称: 值 dict，包括组件（= BaseObject 值的参数）的参数。

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

返回值:
params键为字符串的字典

参数字典，paramname : paramvalue 键值对包括

  • 始终：此对象的所有参数，通过 get_param_names 获取，值为此对象该键的参数值，这些值始终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，组件的参数索引为 [componentname]__[paramname]，componentname 的所有参数都以 paramname 及其值出现

  • 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]#

从实例获取标签值，包含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。标签可用于存储关于对象的元数据，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改变的静态标志。

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，优先级按以下降序排列：

  1. 在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时。

  1. 在类的 _tags 属性中设置的标签。

  2. 在父类的 _tags 属性中设置的标签，

按继承顺序排列。

参数:
tag_name字符串

要检索的标签名称

tag_value_default任意类型，可选；默认=None

如果找不到标签，则使用默认/回退值

raise_error布尔值

当找不到标签时是否抛出 ValueError 异常

返回值:
tag_valueAny

self 中 tag_name 标签的值。如果未找到，且 raise_error 为 True，则抛出错误，否则返回 tag_value_default。

抛出异常:
ValueError，如果 raise_error 为 True。

如果 tag_name 不在 self.get_tags().keys() 中，则抛出 ValueError。

get_tags()[source]#

从实例获取标签，包含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。标签可用于存储关于对象的元数据，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任何 _tags 属性的键，或者通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，覆盖顺序按以下降序排列：

  1. 在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时。

  1. 在类的 _tags 属性中设置的标签。

  2. 在父类的 _tags 属性中设置的标签，

按继承顺序排列。

返回值:
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，然后是 _tags_dynamic 对象属性中的任何覆盖和新标签。

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。

返回值:
composite: 布尔值

对象的任何参数的值是否为 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。

返回值:
布尔值

估计器是否已被 fit（拟合）。

classmethod load_from_path(serial)[source]#

从文件位置加载对象。

参数:
serialZipFile(path).open(“object) 的结果
返回值:
反序列化的自身，结果输出到 path，对应 cls.save(path) 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
返回值:
反序列化的自身，结果输出为 serial，对应 cls.save(None) 的输出
reset()[source]#

将对象重置为干净的初始化后状态。

结果是将 self 设置为其在构造函数调用后直接所处的状态，具有相同的超参数。通过 set_config 设置的配置值也会被保留。

一个 reset 调用会删除所有对象属性，除了

  • 超参数 = 写入 self 的 __init__ 的参数，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” 的属性被保留。

  • 配置属性，配置被保留而不改变。也就是说，reset 前后的 get_config 结果相同。

类方法、对象方法和类属性也未受影响。

等效于 clone，但 reset 修改 self 而不是返回一个新对象。

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

返回值:
自身

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为字节类对象或保存到 (.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，则将自身存储在该位置作为 zip 文件。

保存的文件是 zip 文件，包含以下内容： _metadata - 包含自身所在的类，即 type(self) _obj - 序列化的自身。此类使用默认序列化方式 (pickle)。

参数:
pathNone 或文件位置（字符串或 Path 对象）

如果为 None，则将自身保存到内存对象中；如果是文件位置，则将自身保存到该文件位置。如果

  • path=”estimator”，则会在当前工作目录创建 zip 文件 estimator.zip。

  • path=”/home/stored/estimator”，则会在 /home/stored/ 中创建 zip 文件 estimator.zip。

存储在 /home/stored/ 中。

serialization_format: 字符串，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。

返回值:
如果 path 为 None - 内存中的序列化自身
如果 path 是文件位置 - 带有文件引用的 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。有效的配置、值及其含义如下所示

display字符串，“diagram”（默认）或“text”

jupyter 内核如何显示自身的实例

  • “diagram” = html 框图表示

  • “text” = 字符串打印输出

print_changed_only布尔值，默认=True

打印自身时是否只列出与默认值不同的自身参数（False），还是列出所有参数名称和值（False）。不嵌套，即仅影响自身，不影响组件估计器。

warnings字符串，“on”（默认）或“off”

是否发出警告，仅影响 sktime 的警告

  • “on” = 将发出来自 sktime 的警告

  • “off” = 将不会发出来自 sktime 的警告

backend:parallel字符串，可选，默认=”None”

广播/向量化时用于并行化的后端，以下之一：

  • “None”: 按顺序执行循环，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={}（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”: 没有附加参数，backend_params 被忽略

  • “loky”, “multiprocessing” 和 “threading”: 默认的 joblib 后端，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 的默认值。

  • “joblib”: 自定义和第三方 joblib 后端，例如 spark。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”: 布尔值，默认=True；False 阻止 ray 在并行化后

      关闭。

    • “logger_name”: 字符串，默认=”ray”；要使用的日志记录器名称。

    • “mute_warnings”: 布尔值，默认=False；如果为 True，则抑制警告

返回值:
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 对象和复合对象。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，也可以使用不带 <component>__ 的字符串 <parameter>，例如，没有两个组件的参数名称相同。

参数:
**params字典

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，前提是在 get_params 键中唯一。

返回值:
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 通过链式哈希采样，并保证有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，且仅当 deep=True 时适用于剩余组件对象。

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 会重置任何 scikit-base 对象，即使那些没有 random_state 参数的对象也是如此。

参数:
random_state整数，RandomState 实例或 None，默认=None

控制随机整数生成的伪随机数生成器。传递整数可确保多次函数调用输出可重现。

deep布尔值，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，则仅设置 self 的 random_state 参数（如果存在）。

  • 如果为 True，则也会在组件对象中设置 random_state 参数。

self_policy字符串，{“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 设置为新的随机状态，

派生自输入的 random_state，并且通常与它不同

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

将实例级别的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，用于存储关于对象的元数据。

标签是特定于实例 self 的键值对，它们是对象构造后不会改变的静态标志。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，字典值是要将标签设置到的值。

set_tags 方法应仅在对象的 __init__ 方法中调用，即在构造期间或通过 __init__ 构造之后直接调用。

当前标签值可以通过 get_tags 或 get_tag 检查。

参数:
**tag_dict字典

标签名称 : 标签值对的字典。

返回值:
自身

对自身的引用。

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

在更多数据上更新拟合参数。

如果没有实现特定于估计器的更新方法，默认回退是拟合目前所有观测到的数据。

需要状态

需要状态为“fitted”（已拟合）。

自身中访问

以 “_” 结尾的拟合模型属性。指向已见数据的指针，self._X self._is_fitted 模型属性以 “_” 结尾。

写入自身

通过附加行来更新 self._X，使用 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 (1D 或 2D)

  • Panel scitype = 时间序列集合，全局/面板预测。pd.DataFrame 带有 2 级行 MultiIndex (实例, 时间), 3D np.ndarray (实例, 变量, 时间), list 类型的 pd.DataFrame，其中包含 Series 类型数据。

  • Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 带有 3 个或更多级别行 MultiIndex (层级_1, ..., 层级_n, 时间)。

估计器是否支持面板数据或分层数据由 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 术语表。

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（即标签 capability:pairwise 为 True）时才需要。

否则输入将被忽略，并且不会抛出异常。

返回值:
self对自身的引用