RegressorPipeline

class RegressorPipeline(regressor, transformers)

转换器和回归器的 Pipeline。

RegressorPipeline 组合器将转换器和单个回归器串联起来。该 Pipeline 由一系列 sktime 转换器和一个回归器构建，

即遵循 BaseTransformer 或 BaseRegressor 接口的估计器。

转换器列表可以是未命名的 - 一个简单的转换器列表 -

或字符串命名的 - 一个包含字符串和估计器对的列表。

对于转换器列表 trafo1, trafo2, …, trafoN 和一个回归器 reg，

该 pipeline 的行为如下：

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

然后依次在 trafo1.fit_transform 的输出上运行 trafo2.fit_transform 等，trafo[i] 接收 trafo[i-1] 的输出，然后使用 trafo[N] 的输出作为 X，并将 y 与 self.fit 的输入保持一致，运行 reg.fit

predict(X) - 结果是执行 trafo1.transform，trafo2.transform 等的结果

其中 trafo[i].transform 的输入是 trafo[i-1].transform 的输出，然后在 trafoN.transform 的输出上运行 reg.predict，并返回 reg.predict 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，名称将按类名生成 如果名称不唯一，则在每个名称字符串后附加 f”_{str(i)}”

其中 i 是非唯一字符串在其前面（包括自身）的名称列表中的总出现次数

RegressorPipeline 也可以通过使用魔法乘法创建

在任何回归器上，例如，如果 my_reg 继承自 BaseRegressor，

并且 my_trafo1, my_trafo2 继承自 BaseTransformer，那么，例如，my_trafo1 * my_trafo2 * my_reg 将产生与构造函数 RegressorPipeline(regressor=my_reg, transformers=[my_trafo1, my_trafo2]) 获得的相同对象。

魔法乘法也可以用于 (str, transformer) 对，

只要链中的一个元素是转换器即可。

参数：:

regressorsktime 回归器，即继承自 BaseRegressor 的估计器

这是一个“蓝图”回归器，调用 fit 时状态不会改变

transformerssktime 转换器列表，或

sktime 转换器的元组列表 (str, transformer) 这些是“蓝图”转换器，调用 fit 时状态不会改变

属性：:

regressor_sktime 回归器，regressor 中回归器的克隆

调用 fit 时，此克隆在 pipeline 中进行拟合

transformers_sktime 转换器的元组列表 (str, transformer)

transformers 中在 pipeline 中进行拟合的转换器的克隆始终采用 (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 个转换器是 transformers 中第 i 个转换器的克隆

示例

>>> from sktime.transformations.panel.pca import PCATransformer
>>> from sktime.datasets import load_unit_test
>>> from sktime.regression.compose import RegressorPipeline
>>> from sktime.regression.distance_based import KNeighborsTimeSeriesRegressor
>>> X_train, y_train = load_unit_test(split="train")
>>> X_test, y_test = load_unit_test(split="test")
>>> pipeline = RegressorPipeline(
...     KNeighborsTimeSeriesRegressor(n_neighbors=2), [PCATransformer()]
... )
>>> pipeline.fit(X_train, y_train)
RegressorPipeline(...)
>>> y_pred = pipeline.predict(X_test)

通过 dunder 方法的替代构造方式

>>> pipeline = PCATransformer() * KNeighborsTimeSeriesRegressor(n_neighbors=2)

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])	将另一个对象的标签克隆为动态覆盖。
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])	创建所有测试实例及其名称列表。
fit(X, y)	将时间序列回归器拟合到训练数据。
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()	获取对象的默认参数。
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，并考虑标签级别的继承和覆盖。
get_tags()	从实例获取标签，并考虑标签级别的继承和覆盖。
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。
predict(X)	预测 X 中序列的标签。
reset()	将对象重置到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到 (.zip) 文件。
score(X, y[, multioutput])	根据 X 上的真实标签评估预测标签的得分。
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, ...])	设置自身的 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。

get_params(deep=True)

获取 transformers 中估计器的参数。

参数：:

deepboolean, 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

参数名称映射到其值。

set_params(**kwargs)

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返回自身的一个实例。

classmethod get_test_params(parameter_set='default')

返回估计器的测试参数设置。

参数：:

parameter_setstr, 默认为“default”

返回用于测试的测试参数集的名称。如果某个值没有定义特殊参数，将返回“default”集。对于回归器，应提供一组“default”参数用于一般测试，如果一般集无法产生适合比较的结果概率，则应提供一组“results_comparison”参数用于与之前记录的结果进行比较。

返回：:

paramsdict 或 list of dict，默认为 {}

用于创建类的测试实例的参数。每个 dict 都是构造“有趣”测试实例的参数，即 MyClass(**params) 或 MyClass(**params[i]) 会创建一个有效的测试实例。create_test_instance 使用 params 中的第一个（或唯一的）字典。

check_is_fitted(method_name=None)

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()

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的对象，处于初始化后状态。此函数等效于返回 sklearn.clone of self。

等效于构造 type(self) 的新实例，其参数与 self 相同，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，等效于调用 cloned_self.set_config(**self.get_config())。

在值上也等效于 self.reset 的调用，但区别在于 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__ 错误导致克隆不符合规范，则引发 RuntimeError。

clone_tags(estimator, tag_names=None)

将另一个对象的标签克隆为动态覆盖。

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、构造期间或通过 __init__ 构造后直接调用。

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

tag_names 的默认行为是将 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_namesstr 或 list of str，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')

使用第一个测试参数集构造类的实例。

参数：:

parameter_setstr, 默认为“default”

返回用于测试的测试参数集的名称。如果某个值没有定义特殊参数，将返回“default”集。

返回：:

instance使用默认参数的类的实例

classmethod create_test_instances_and_names(parameter_set='default')

创建所有测试实例及其名称列表。

参数：:

parameter_setstr, 默认为“default”

返回用于测试的测试参数集的名称。如果某个值没有定义特殊参数，将返回“default”集。

返回：:

objscls 实例列表

第 i 个实例是 cls(**cls.get_test_params()[i])

nameslist of str，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)

将时间序列回归器拟合到训练数据。

状态改变

将状态更改为“fitted”（已拟合）。

写入自身

将 self.is_fitted 设置为 True。设置以“_”结尾的拟合模型属性。

参数：:

Xsktime 兼容的时间序列面板数据容器，Panel 科学类型 (scitype)

用于拟合估计器的时间序列。

可以是 Panel scitype 的任何 mtype，例如

• pd-multiindex：pd.DataFrame，列 = 变量，索引 = pd.MultiIndex，第一层 = 实例索引，第二层 = 时间索引

• numpy3D：3D np.array（任意维度，等长序列），形状为 [n_instances, n_dimensions, series_length]

• 或任何其他支持的 Panel mtype

有关 mtype 列表，请参见 datatypes.SCITYPE_REGISTER

有关详细规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持包含多元或不等长序列的面板数据，详见标签参考。

ysktime 兼容的表格数据容器，Table 科学类型 (scitype)

1D 可迭代对象，形状为 [n_instances] 或 2D 可迭代对象，形状为 [n_instances, n_dimensions] 用于拟合的类标签 第 0 个索引对应于 X 中的实例索引 第 1 个索引（如果适用）对应于 X 中的多输出向量索引 支持的 sktime 类型：np.ndarray (1D, 2D), pd.Series, pd.DataFrame

返回：:

self对自身的引用。

注释

通过创建拟合模型来改变状态，该模型更新以“_”结尾的属性并将 is_fitted 标志设置为 True。

classmethod get_class_tag(tag_name, tag_value_default=None)

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 方法是类方法，它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，考虑标签覆盖的优先级顺序如下（降序）：

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。

不考虑实例上的动态标签覆盖（通过 set_tags 或 clone_tags 设置），这些覆盖是在实例上定义的。

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_namestr

标签值的名称。

tag_value_default任意类型

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()

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 方法是类方法，它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 _tags 属性的任何键。

值是相应的标签值，覆盖的优先级顺序如下（降序）：

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。

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。

不考虑实例上的动态标签覆盖（通过 set_tags 或 clone_tags 设置），这些覆盖是在实例上定义的。

要包含来自动态标签的覆盖，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。不会被通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()

获取自身的配置标志。

配置是自身的键值对，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。

默认配置在类或其父类的 _config 类属性中设置，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 _onfig_dynamic 对象属性中获取任何覆盖和新标签。

get_fitted_params(deep=True)

获取已拟合参数。

所需状态

要求状态为“fitted”（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（= BaseEstimator 类型参数）的拟合参数。

• 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，如通过 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 组件的参数以 [componentname]__[paramname] 形式索引 componentname 的所有参数显示为 paramname 及其值

• 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()

获取对象的默认参数。

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。值是在 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)

获取对象的参数名称。

参数：:

sortbool, 默认为 True

是否按字母顺序（True）或在类 __init__ 中出现的顺序（False）返回参数名称。

返回：:

param_names:list[str]

cls 的参数名称列表。如果 sort=False，则按其在类 __init__ 中出现的顺序排列。如果 sort=True，则按字母顺序排列。

get_tag(tag_name, tag_value_default=None, raise_error=True)

从实例获取标签值，并考虑标签级别的继承和覆盖。

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，并考虑标签覆盖，优先级顺序如下（降序）：

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

在构造实例时设置。

2. 在类的 _tags 属性中设置的标签。

3. 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；默认为 None

如果未找到标签，则为默认/备用值

raise_errorbool

当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，且 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，则引发 ValueError。

get_tags()#

从实例获取标签，并考虑标签级别的继承和覆盖。

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，覆盖的优先级顺序如下（降序）：

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

在构造实例时设置。

2. 在类的 _tags 属性中设置的标签。

3. 在父类的 _tags 属性中设置的标签，

按继承顺序。

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 对象属性中获取任何覆盖和新标签。

is_composite()

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:bool, whether self contains a parameter which is BaseObject

property is_fitted

fit 是否已被调用。

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)

从文件位置加载对象。

参数：:

serialZipFile(path).open(“object”) 的结果

返回：:

反序列化的 self，其输出位于 path，来自 cls.save(path)

classmethod load_from_serial(serial)

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：:

反序列化的 self，其输出为 serial，来自 cls.save(None)

predict(X) → ndarray

预测 X 中序列的标签。

参数：:

Xsktime 兼容的时间序列面板数据容器，Panel 科学类型 (scitype)

用于预测标签的时间序列。

可以是 Panel scitype 的任何 mtype，例如

• pd-multiindex：pd.DataFrame，列 = 变量，索引 = pd.MultiIndex，第一层 = 实例索引，第二层 = 时间索引

• numpy3D：3D np.array（任意维度，等长序列），形状为 [n_instances, n_dimensions, series_length]

• 或任何其他支持的 Panel mtype

有关 mtype 列表，请参见 datatypes.SCITYPE_REGISTER

有关详细规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持包含多元或不等长序列的面板数据，详见标签参考。

返回：:

y_predsktime 兼容的表格数据容器，Table scitype

预测的回归标签

1D 可迭代对象，形状为 [n_instances]，或 2D 可迭代对象，形状为 [n_instances, n_dimensions]。

第 0 个索引对应于 X 中的实例索引，第 1 个索引（如果适用）对应于 X 中的多输出向量索引。

1D np.npdarray，如果 y 是单变量（一维）；否则，与 fit 中传递的 y 类型相同。

reset()

将对象重置到干净的初始化后状态。

结果是将 self 设置到构造函数调用后的状态，具有相同的超参数。通过 set_config 设置的配置值也会保留。

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，配置会保留不变。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。

等效于 clone，但区别在于 reset 修改 self，而不是返回新对象。

在调用 self.reset() 后，self 在值和状态上与构造函数调用type(self)(**self.get_params(deep=False)) 后获得的对象相等。

返回：:

self

类的实例重置到干净的初始化后状态，但保留当前超参数值。

save(path=None, serialization_format='pickle')

将序列化的自身保存到字节类对象或到 (.zip) 文件。

行为：如果 path 为 None，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

保存的文件是包含以下内容的 zip 文件： _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，self 保存到内存对象 如果是文件位置，self 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 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。可用选项为“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 - 内存中的序列化 self

如果 path 是文件位置 - 指向该文件的 ZipFile

score(X, y, multioutput='uniform_average') → float

根据 X 上的真实标签评估预测标签的得分。

参数：:

Xsktime 兼容的时间序列面板数据容器，Panel 科学类型 (scitype)，例如，

pd-multiindex：pd.DataFrame，列 = 变量，索引 = pd.MultiIndex，第一层 = 实例索引，第二层 = 时间索引 numpy3D：3D np.array（任意维度，等长序列），形状为 [n_instances, n_dimensions, series_length] 或任何其他支持的 Panel mtype 有关 mtype 列表，请参见 datatypes.SCITYPE_REGISTER 有关详细规范，请参见 examples/AA_datatypes_and_datasets.ipynb

y2D np.array of int，形状为 [n_instances, n_dimensions] - 回归标签

用于拟合的索引对应于 X 中的实例索引 或 1D np.array of int，形状为 [n_instances] - 用于拟合的回归标签，索引对应于 X 中的实例索引

multioutputstr, 可选 (默认为“uniform_average”)

{“raw_values”, “uniform_average”, “variance_weighted”}, 形状为 (n_outputs,) 的 array-like 或 None，默认为“uniform_average”。定义如何聚合多个输出的得分。Array-like 值定义用于平均得分的权重。

返回：:

float (默认) 或 1D np.array of float

predict(X) 与 y 相比的 R 方得分 如果 multioutput=”uniform_average” 或 “variance_weighted”，或者 y 是单变量，则为 float；如果 multioutput=”raw_values” 且 y 是多变量，则为 1D np.array

set_config(**config_dict)

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、值及其含义如下所示

displaystr, “diagram” (默认)，或 “text”

jupyter kernel 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

打印自身时是仅列出自默认值不同的自身参数 (True)，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” = 将不引发来自 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，选项包括

• “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:paramsdict, 可选，默认为 {} (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 joblib 后端 可以在这里传递 joblib.Parallel 的任何有效键，例如 n_jobs，除了 backend 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。可以在这里传递 joblib.Parallel 的任何有效键，例如 n_jobs，在此情况下 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 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”：bool，默认为 True；False 阻止 ray 在并行化后

    关闭。

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

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

返回：:

self对自身的引用。

注释

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')

设置自身的 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 将其设置为从 random_state 派生的整数。这些整数通过 sample_dependent_seed 从链式哈希中采样，并保证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，应用于剩余的组件对象。

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 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_stateint, RandomState 实例或 None，默认为 None

控制随机整数生成的伪随机数生成器。传递 int 以在多次函数调用中获得可复现的输出。

deepbool, 默认为 True

是否在 skbase 对象值参数中设置随机状态，即组件估计器。

• 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_policystr, 选项包括 {“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，

派生自输入的 random_state，通常与它不同

返回：:

self对自身的引用

set_tags(**tag_dict)

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在 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 方法只能在对象的 __init__ 方法中调用，即在构建期间或通过 __init__ 直接在构建之后调用。

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：:

返回自身

对自身的引用。