SklearnRegressorPipeline

class SklearnRegressorPipeline(regressor, transformers)

转换器和回归器的管道。

SklearnRegressorPipeline 将转换器和单个回归器串联起来。

类似于 RegressorPipeline，但使用表格型的 sklearn 回归器。

该管道由 sktime 转换器列表和一个回归器构成，

即遵循 BaseTransformer 接口的转换器，回归器遵循 scikit-learn 回归器接口。

转换器列表可以是未命名的（一个简单的转换器列表），

也可以是字符串命名的（一个字符串和估计器对的列表）。

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

该管道的行为如下：

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

然后在 trafo1.fit_transform 的输出上运行 trafo2.fit_transform，以此类推，顺序执行，其中 trafo[i] 接收 trafo[i-1] 的输出，然后用转换为 numpy 的 trafo[N] 的输出作为 X，输入 self.fit 的 y 保持不变，运行 reg.fit。X 如果是 Panel scientific type，则转换为 numpyflat mtype；如果 X 是 Table scientific type，则转换为 numpy2D mtype。

predict(X) - 结果是执行 trafo1.transform、trafo2.transform 等

（其中 trafo[i].transform 的输入是 trafo[i-1].transform 的输出）的结果，然后对 trafoN.transform 的 numpy 转换输出运行 reg.predict，并返回 reg.predict 的输出。trasfoN.transform 的输出会像在 fit 中一样转换为 numpy。

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

如果列表未命名，则使用类名生成名称；如果名称不唯一，则每个名称字符串后追加 f”_{str(i)}”，

其中 i 是该不唯一字符串在名称列表中（包括当前名称）出现的总次数。

SklearnRegressorPipeline 也可以通过使用 sktime 转换器和 sklearn 回归器之间的魔术乘法来创建，

并且 my_trafo1, my_trafo2 继承自 BaseTransformer，例如，my_trafo1 * my_trafo2 * my_reg 将得到与构造函数 SklearnRegressorPipeline(regressor=my_reg, transformers=[t1, t2]) 获得的对象相同的结果。

魔术乘法也可以用于 (str, transformer) 对，

只要链中的一个元素是转换器即可。

参数:

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

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，或者

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

属性:

regressor_sklearn 回归器，是 regressor 中的回归器的克隆

调用 fit 时，该克隆会在管道中进行拟合。

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

是 transformers 中在管道中拟合的转换器的克隆，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 个转换器是 transformers 中第 i 个转换器的克隆。

示例

通过 dunder 方法的替代构建

>>> from sklearn.neighbors import KNeighborsRegressor
>>> from sktime.datasets import load_unit_test
>>> from sktime.regression.compose import SklearnRegressorPipeline
>>> from sktime.transformations.series.exponent import ExponentTransformer
>>> from sktime.transformations.series.summarize import SummaryTransformer
>>> X_train, y_train = load_unit_test(split="train")
>>> X_test, y_test = load_unit_test(split="test")
>>> t1 = ExponentTransformer()
>>> t2 = SummaryTransformer()
>>> pipeline = SklearnRegressorPipeline(KNeighborsRegressor(), [t1, t2])
>>> pipeline = pipeline.fit(X_train, y_train)
>>> y_pred = pipeline.predict(X_test)

方法

>>> pipeline = t1 * t2 * KNeighborsRegressor()

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])
创建所有测试实例列表及其名称列表。	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，带有父类的标签级别继承。	get_class_tags
从类获取类标签，带有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 transformers 中估计器的参数。	get_tag(tag_name[, tag_value_default, ...])
从实例获取标签值，带有标签级别继承和覆盖。	get_tags
从实例获取标签，带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。	score(X, y[, multioutput])
在 X 上评估预测标签与真实标签的得分。	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。	clone()

克隆是一个没有共享引用、处于初始化后状态的不同对象。此函数等同于返回 sklearn.clone 的 self。

clone_tags(estimator[, tag_names])

等同于构造一个 type(self) 的新实例，使用 self 的参数，即 type(self)(**self.get_params(deep=False))。

如果在 self 上设置了配置，克隆也会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，区别在于 clone 返回一个新对象，而不是像 reset 那样修改 self。

Raises:

如果由于错误的 __init__ 导致克隆不符合规范，则抛出 RuntimeError。

get_params(deep=True)

deep布尔值，可选，默认为 True

get_tag(tag_name[, tag_value_default, ...])

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

如果为 True，将返回此估计器及其包含的子估计器的参数。

Returns:

params字符串到任意类型的映射

参数名称映射到其值。

check_is_fitted(method_name=None)

检查 _is_fitted 属性是否存在且为 True。is_fitted 属性应在对象的 fit 方法调用中设置为 True。

clone

如果不是，则抛出 NotFittedError。

method_namestr, 可选

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

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。

如果估计器尚未拟合。

如果由于错误的 __init__ 导致克隆不符合规范，则抛出 RuntimeError。

NotFittedError

clone_tags(estimator, tag_names=None)

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。

create_test_instance([parameter_set])

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 方法只应在对象的 __init__ 方法中，在构造期间，或直接在 __init__ 之后调用。

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。

当前的标签值可以通过 get_tags 或 get_tag 查看。

estimator:class:BaseObject 或其派生类的实例

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

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。

self

params字符串到任意类型的映射

self 的引用。

classmethod create_test_instance(parameter_set='default')

parameter_setstr, 默认为 "default"

create_test_instances_and_names([parameter_set])

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

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。

instance带有默认参数的类实例

params字符串到任意类型的映射

classmethod create_test_instances_and_names(parameter_set='default')

objscls 实例列表

fit(X, y)

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

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。

instance带有默认参数的类实例

params字符串到任意类型的映射

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 objs 中第 i 个实例的名称。命名约定为 {cls.__name__}-{i}（如果实例多于一个），否则为 {cls.__name__}。

fit(X, y)

状态更改

get_class_tag(tag_name[, tag_value_default])

将状态更改为“已拟合”。

写入 self

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

Xsktime 兼容的时间序列面板数据容器，Panel scientific type

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

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，列为变量，索引为 pd.MultiIndex，第一级为实例索引，第二级为时间索引。

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

• 或任何其他支持的 Panel mtype

• mtype 列表请参阅 datatypes.SCITYPE_REGISTER

规范请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详细信息请参阅标签参考。

ysktime 兼容的表格数据容器，Table scientific type

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]，用于拟合的类别标签，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

self自身的引用。

params字符串到任意类型的映射

Notes

通过创建一个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)

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_tags

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

它返回对象中名称为 tag_name 的标签的值，考虑标签覆盖，优先级从高到低依次为：

在类的 _tags 属性中设置的标签。

1. 在父类的 _tags 属性中设置的标签，

2. 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，这些是在实例上定义的。

要检索带有潜在实例覆盖的标签值，请改用 get_tag 方法。

tag_namestr

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

标签值的名称。

tag_value_default任意类型

未找到标签时的默认/备用值。

tag_value

params字符串到任意类型的映射

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

classmethod get_class_tags()

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

get_config

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。

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，覆盖优先级从高到低依次为：

实例可以根据超参数覆盖这些标签。

1. 在父类的 _tags 属性中设置的标签，

2. 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，这些是在实例上定义的。

要检索带有潜在实例覆盖的标签，请改用 get_tags 方法。

要包含动态标签的覆盖，请使用 get_tags。

要检索带有潜在实例覆盖的标签值，请改用 get_tag 方法。

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()

配置是 self 的键值对，通常用作控制行为的瞬时标志。

get_fitted_params([deep])

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 调用中保留。

config_dictdict

params字符串到任意类型的映射

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)

所需状态

get_param_defaults

要求状态为“已拟合”。

deepbool, 默认为 True

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

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 值参数）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。

• fitted_params键为 str 的字典

params字符串到任意类型的映射

拟合参数字典，键值对为 paramname : paramvalue

始终包含：此对象的所有拟合参数，如通过 get_param_names 获得的，值为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，组件的参数索引为 [componentname]__[paramname]，componentname 的所有参数都以 paramname 及其值显示。

• 如果 deep=True，还包含任意层级的组件递归，例如，[componentname]__[componentcomponentname]__[paramname] 等。

• classmethod get_param_defaults()

获取对象的参数默认值。

default_dict: dict[str, Any]

params字符串到任意类型的映射

键是 cls 的所有在 __init__ 中定义了默认值的参数。值是默认值，如在 __init__ 中定义。

classmethod get_param_names(sort=True)

获取对象的参数名称。

sortbool, 默认为 True

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

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。

param_names: list[str]

params字符串到任意类型的映射

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，按字母顺序排列。

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

get_tag 方法从实例检索名称为 tag_name 的单个标签的值，考虑标签覆盖，优先级从高到低依次为：

get_tags

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。

通过在实例上调用 set_tags 或 clone_tags 设置的标签，

1. 在实例构造时。

要检索的标签名称。

2. 在父类的 _tags 属性中设置的标签，

3. 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，这些是在实例上定义的。

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

标签值的名称。

tag_value_default任意类型，可选；默认为 None

未找到标签时的默认/备用值。

raise_errorbool

未找到标签时是否抛出 ValueError。

tag_valueAny

params字符串到任意类型的映射

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。

ValueError，如果 raise_error 为 True。

如果由于错误的 __init__ 导致克隆不符合规范，则抛出 RuntimeError。

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

get_tags()

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 设置的标签的键。

get_test_params([parameter_set])

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。

collected_tagsdict

实例可以根据超参数覆盖这些标签。

1. 在实例构造时。

要检索的标签名称。

2. 在父类的 _tags 属性中设置的标签，

3. 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，这些是在实例上定义的。

params字符串到任意类型的映射

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()

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。

load_from_path(serial)

composite: bool，self 是否包含一个参数是 BaseObject

params字符串到任意类型的映射

property is_fitted

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，并在对象的 fit 方法调用中设置为 True。

bool

params字符串到任意类型的映射

估计器是否已 fit。

classmethod load_from_path(serial)

serialZipFile(path).open("object) 的结果

load_from_serial(serial)

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

反序列化 cls.save(path) 的输出到 path 得到的自身。

params字符串到任意类型的映射

classmethod load_from_serial(serial)

serialcls.save(None) 输出的第一个元素

predict(X)

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

反序列化 cls.save(None) 的输出 serial 得到的自身。

params字符串到任意类型的映射

predict(X) → ndarray

要预测标签的时间序列。

reset

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

用于拟合估计器的时间序列。

y_predsktime 兼容的表格数据容器，Table scitype

pd-multiindex: pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一级为实例索引，第二级为时间索引。

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

• 或任何其他支持的 Panel mtype

• mtype 列表请参阅 datatypes.SCITYPE_REGISTER

规范请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详细信息请参阅标签参考。

ysktime 兼容的表格数据容器，Table scientific type

params字符串到任意类型的映射

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。

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

reset()

将 self 设置为构造函数调用后直接拥有的状态，具有相同的超参数。通过 set_config 设置的配置值也得以保留。

save([path, serialization_format])

reset 调用会删除任何对象属性，除了

超参数 = __init__ 的写入到 self 的参数，例如 self.paramname，其中 paramname 是 __init__ 的参数。

• 包含双下划线字符串“__”的对象属性。例如，名为“__myattr”的属性会被保留。

• 配置属性，配置会原样保留。即，reset 前后 get_config 的结果相等。

• 类和对象方法，以及类属性也不受影响。

等同于 clone，区别在于 reset 修改 self 而不是返回一个新对象。

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

将类实例重置到干净的初始化后状态，但保留当前的超参数值。

params字符串到任意类型的映射

self 的引用。

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

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，则将自身存储为该位置的 zip 文件。

score(X, y[, multioutput])

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 - 序列化的自身。此类使用默认序列化（pickle）。

pathNone 或文件位置 (str 或 Path)

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

如果为 None，自身将保存到内存对象；如果为文件位置，自身将保存到该文件位置。如果

path=”estimator”，则会在当前工作目录生成一个 zip 文件 estimator.zip。

• path=”/home/stored/estimator”，则会在 /home/stored/ 中存储一个 zip 文件 estimator.zip。

• 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项。

如果 path 为 None - 内存中的序列化自身

如果 path 为文件位置 - 指向该文件的 ZipFile

params字符串到任意类型的映射

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

Xsktime 兼容的时间序列面板数据容器，Panel scitype，例如，

pd-multiindex: pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一级为实例索引，第二级为时间索引；numpy3D: 3D np.array (任意维数，等长序列)，形状为 [n_instances, n_dimensions, series_length] 或任何其他支持的 Panel mtype；mtype 列表请参阅 datatypes.SCITYPE_REGISTER；规范请参阅 examples/AA_datatypes_and_datasets.ipynb

set_config(**config_dict)

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

y形状为 [n_instances, n_dimensions] 的 2D np.array 或形状为 [n_instances] 的 1D np.array - 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。

float (默认) 或 1D np.array of float

predict(X) 与 y 之间的 R 平方得分；如果 multioutput=”uniform_average” 或 “variance_weighted”，或者 y 为单变量，则为 float；如果 multioutput=”raw_values” 且 y 为多变量，则为 1D np.array。

set_config(**config_dict)

params字符串到任意类型的映射

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

set_params(**kwargs)

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

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。

“diagram” = html 盒图表示

“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自身参数 (False)，或所有参数名称和值 (False)。不进行嵌套，即仅影响自身而非组件估计器。

• warningsstr, “on” (默认), 或 “off”

是否抛出警告，仅影响 sktime 的警告

“on” = 将抛出 sktime 的警告

“off” = 将不抛出 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

“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 {} (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，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，除了 backend，它由 backend 直接控制。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。

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，backend_params 被忽略

• “loky”、“multiprocessing”和“threading”：默认的 joblib 后端。此处可以传递任何 joblib.Parallel 的有效键，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，其他参数将使用 joblib 的默认值。

• “joblib”：自定义和第三方 joblib 后端，例如 spark。此处可以传递任何 joblib.Parallel 的有效键，例如 n_jobs，在这种情况下，backend 必须作为 backend_params 的键传递。如果未传递 n_jobs，则默认为 -1，其他参数将使用 joblib 的默认值。

• “dask”：可以传递任何 dask.compute 的有效键，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 类型，默认为 True；False 防止 ray 在并行化后

    关闭。

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

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

params字符串到任意类型的映射

self指向自身的引用。

通过创建一个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。

改变对象状态，将 config_dict 中的配置复制到 self._config_dynamic。

set_params(**kwargs)

set_random_state([random_state, deep, ...])

有效的参数键可以通过 get_params() 列出。

params字符串到任意类型的映射

self返回自身的实例。

set_random_state(random_state=None, deep=True, self_policy='copy')

set_tags(**tag_dict)

通过 self.get_params 找到名为 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 通过链式哈希抽样的，并保证种子随机生成器之间的伪随机独立性。

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，或者组件中没有 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。

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

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 可在多次函数调用中获得可重现的输出。

是否返回组件的拟合参数。

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，

该状态派生自输入的 random_state，且通常与其不同

params字符串到任意类型的映射

self指向自身的引用

set_tags(**tag_dict)

clone()

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

标签是特定于实例 self 的键值对，它们是构造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。

set_tags 方法应仅在对象的 __init__ 方法中（构造期间）或通过 __init__ 直接调用后调用。

estimator:class:BaseObject 或其派生类的实例

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

**tag_dictdict

标签名：标签值对的字典。

params字符串到任意类型的映射

Self

指向自身的引用。

classmethod get_test_params(parameter_set='default')

is_composite

regressorsklearn 回归器，即继承自 sklearn RegressorMixin

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。

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。对于回归器，应提供一组“default”参数用于常规测试，以及一组“results_comparison”用于与之前记录的结果进行比较，如果常规集无法产生适合比较的概率。

params字符串到任意类型的映射

paramsdict 或 list of dict，默认为 {}

用于创建类测试实例的参数。每个字典是构造一个“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（或唯一的）字典。