SeasonalityACFqstat#

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

使用自相关函数 LB q 统计量寻找候选季节性参数。

使用 statsmodels.tsa.stattools.acf 计算自相关函数，并使用其测试功能来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）

获取 Ljung-Box q 统计量，用于在 candidate_sp 处测试候选 sp。

然后应用 statsmodels.stats.multitest.multipletests 进行多重检验校正。返回的拟合属性是显著的 sp 和最显著的 sp。这些可用于条件或非条件季节性去除。

注意：这应应用于平稳时间序列。

快速的平稳性变换可以通过差分实现。另请参见：Differencer

参数：
candidate_spNone, int 或 int 列表，可选，默认为 None

要测试的候选 sp，并限制测试范围；ints 必须大于或等于 2；如果为 None，将测试 2 到 nlags（包括）之间的所有整数滞后

p_thresholdfloat，可选，默认为 0.05

用于季节性检验的显著性阈值

p_adjuststr，可选，默认为 “fdr_by” (Benjamini/Yekutieli)

应用于 ACF 检验中候选 sp 的 p 值的多重检验校正 对 candidate_sp 值的 Ljung-Box 检验应用多重检验校正 可以是 “none” 或 statsmodels multipletests 接受的字符串 “none” = 不应用多重检验校正，使用原始 p 值 “fdr_by” = Benjamini-Yekutieli FDR 控制过程 关于其他可能的字符串，请参阅 statsmodels.stats.multitest.multipletests

adjustedbool，可选，默认为 False

如果为 True，则自协方差的分母为 n-k，否则为 n。

nlagsint，可选，默认为 None

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

fftbool，可选，默认为 True

如果为 True，则通过 FFT 计算 ACF。

missingstr, [“none”, “raise”, “conservative”, “drop”]，可选，默认为 “none”

指定如何处理 NaNs。“none” 不进行任何检查。“raise” 如果发现 NaN 值则引发异常。“drop” 删除缺失观测值并将非缺失部分视为连续。“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 nans。

在使用“conservative”时，n 设置为非缺失观测值的数量。

属性：
sp_int，p 水平最低的季节性周期，如果存在任何低于阈值的周期，否则为 1

如果传递了 candidate_sp，结果将是 candidate_sp 中的值或 1

sp_significant_int 列表，p 水平低于阈值的季节性周期

按 p 水平递增排序。如果没有低于阈值的周期，则为空列表，而不是 [1]

示例

>>> from sktime.datasets import load_airline
>>> from sktime.param_est.seasonality import SeasonalityACFqstat
>>> X = load_airline().diff()[1:]
>>> sp_est = SeasonalityACFqstat(candidate_sp=[3, 7, 12])  
>>> sp_est.fit(X)  
SeasonalityACFqstat(...)
>>> sp_est.get_fitted_params()["sp_significant"]  
array([12,  7,  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])

从类获取类标签值，包含来自父类的标签级别继承。

get_class_tags()

从类获取类标签，包含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，包含标签级别继承和覆盖。

get_tags()

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。

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])

将序列化后的自身保存为字节类对象或 (.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_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，则返回 "default" 集。目前没有为变换器保留的值。

返回：
paramsdict 或 dict 列表，默认为 {}

用于创建类测试实例的参数 每个 dict 都是构造一个“有趣的”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)[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，则引发 NotFittedError。

参数：
method_namestr，可选

调用此函数的方法的名称。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()[source]#

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 self 的 sklearn.clone。

等同于使用 self 的参数构造 type(self) 的新实例，即 type(self)(**self.get_params(deep=False))。

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

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

引发：
如果由于 __init__ 有误导致克隆不符合规范，则引发 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，它们是静态标志，在对象构造后不会改变。

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、构造期间或通过 __init__ 直接构造后调用。

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。

当前标签值可以通过 get_tags 或 get_tag 查看。

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。如果某个值没有定义特殊参数，则返回 “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，则返回 “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 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。

状态变化

将状态更改为“已拟合”（fitted）。

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 中的个体数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

  • Series 科学类型 = 个体时间序列，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。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，list 的 Series 类型的 pd.DataFrame

  • Hierarchical 科学类型 = 分层集合，用于分层预测。具有 3 级或更多级行 MultiIndex (层级_1, ..., 层级_n, 时间) 的 pd.DataFrame

估计器是否支持面板或分层数据由科学类型标签 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 方法是类方法，仅考虑类级别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，考虑标签覆盖，按以下降序优先级：

  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，这些覆盖是在实例上定义的。

要检索具有潜在实例覆盖的标签值，请使用 get_tag 方法。

参数：
tag_namestr

标签值的名称。

tag_value_default任何类型

未找到标签时的默认/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，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，它们是静态标志，在对象构造后不会改变。

get_class_tags 方法是类方法，仅考虑类级别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，

按照继承顺序。

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，请使用 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，这些覆盖是在实例上定义的。

要包含动态标签的覆盖，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。不受通过 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临时标志。

get_config 返回动态配置，它们覆盖默认配置。

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。

配置在 clone 或 reset 调用中保留。

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 _config_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”。

参数：
deepbool，默认为 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称：值字典，包括可拟合组件的拟合参数（= BaseEstimator 类型参数）。

  • 如果为 False，将返回此对象的参数名称：值字典，但不包括组件的拟合参数。

返回：
fitted_params键为 str 类型的 dict

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 获取的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 组件参数的索引格式为 [组件名称]__[参数名称] 组件名称 的所有参数都以 参数名称 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 [组件名称]__[组件组件名称]__[参数名称] 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 __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：
sortbool，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，顺序与它们在类 __init__ 中出现的顺序相同。如果 sort=True，按字母顺序排序。

get_params(deep=True)[source]#

获取此对象的参数值字典。

参数：
deepbool，默认为 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，包括组件的参数（= BaseObject 类型参数）。

  • 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 str 类型的 dict

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 获取的值是该键对应的此对象的参数值，值始终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 组件参数的索引格式为 [组件名称]__[参数名称] 组件名称 的所有参数都以 参数名称 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 [组件名称]__[组件组件名称]__[参数名称] 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，它们是静态标志，在对象构造后不会改变。

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，按以下降序优先级：

  1. 通过实例上的 set_tags 或 clone_tags 设置的标签，

在实例构造时设置的标签。

  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，

按照继承顺序。

参数：
tag_namestr

要检索的标签名称

tag_value_default任何类型，可选；默认为 None

未找到标签时的默认/备用值

raise_errorbool

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，当 raise_error 为 True 时引发错误，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，则引发 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，它们是静态标志，在对象构造后不会改变。

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，或通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，覆盖优先级按以下降序排列

  1. 通过实例上的 set_tags 或 clone_tags 设置的标签，

在实例构造时设置的标签。

  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 的派生实例。

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：
cls.save(path) 的输出结果，即在 path 处反序列化后的自身
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：
cls.save(None) 的输出结果，即反序列化后的自身 serial
reset()[source]#

将对象重置为干净的初始化后状态。

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

一个 reset 调用删除所有对象属性，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 的结果相同。

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 修改 self 而不是返回新对象。

在 self.reset() 调用后，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：
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]#

将序列化后的自身保存为字节类对象或 (.zip) 文件。

行为：如果 path 为 None，则返回内存中序列化后的自身；如果 path 是文件位置，则在该位置将自身存储为 zip 文件

保存的文件是 zip 文件，包含以下内容： _metadata - 包含自身的类，即 type(self) _obj - 序列化后的自身。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，将自身保存到内存对象；如果是文件位置，则将自身保存到该文件位置。如果

  • path=”estimator”，则将在当前工作目录创建 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，默认为 “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。

返回：
如果 path 为 None - 内存中序列化后的自身
如果 path 是文件位置 - 指向文件的 ZipFile
set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数：
config_dictdict

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 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_onlybool，默认为 True

打印自身时是否仅列出与默认值不同的参数 (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。

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” = 不会引发来自 sktime 的警告

backend:parallelstr，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，要求环境中安装 dask 包

  • “ray”：使用 ray，要求环境中安装 ray 包

backend:parallel:paramsdict，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 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 的键来传递。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 的有效键的字典

    • “shutdown_ray”：布尔值，默认为True；False 可防止在并行化后关闭 ray。

      在并行化后关闭。

    • “logger_name”：字符串，默认为“ray”；要使用的 logger 名称。

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

返回：
self对自身的引用。

注意

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。

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，没有两个组件参数同名 <parameter>），也可以使用字符串 <parameter>，不带 <component>__。

参数：
**paramsdict

BaseObject 参数，键必须是 <component>__<parameter> 字符串。如果 `__` 后缀在 get_params 键中唯一，则可以作为完整字符串的别名。

返回：
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。这些整数是通过 sample_dependent_seed 从链式哈希中采样的，并保证了种子随机生成器的伪随机独立性。

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

注意：即使 self 没有 random_state，或者组件中没有 random_state 参数，也会调用 set_params。因此，set_random_state 会重置任何 scikit-base 对象，即使是没有 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。传递 int 值可在多次函数调用中获得可重现的输出。

deepbool，默认为 True

是否在 skbase 对象值的参数（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, {“copy”, “keep”, “new”} 之一，默认为 “copy”

  • “copy” : self.random_state 设置为输入 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，

由输入 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 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值。

方法 set_tags 只能在对象的 __init__ 方法中（构建期间）或通过 __init__ 直接调用后调用。

当前标签值可以通过 get_tags 或 get_tag 查看。

参数：
**tag_dictdict

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]#

在更多数据上更新拟合参数。

如果未实现特定于估计器的更新方法，则默认回退到对目前为止所有观察到的数据进行拟合。

所需状态

要求状态为“已拟合”。

在 self 中访问

以 “_” 结尾的已拟合模型属性。指向已见数据 self._X self._is_fitted 以 “_” 结尾的模型属性。

写入自身

通过附加行来使用 X 更新 self._X。更新以 “_” 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，每个 mtype 实现一个抽象的 scitype。

  • Series 科学类型 = 个体时间序列，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。具有 2 级行 MultiIndex (实例, 时间) 的 pd.DataFrame，3D np.ndarray (实例, 变量, 时间)，list 的 Series 类型的 pd.DataFrame

  • Hierarchical 科学类型 = 分层集合，用于分层预测。具有 3 级或更多级行 MultiIndex (层级_1, ..., 层级_n, 时间) 的 pd.DataFrame

估计器是否支持面板或分层数据由科学类型标签 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