CNNRegressor

类 CNNRegressor(n_epochs=2000, batch_size=16, kernel_size=7, avg_pool_size=3, n_conv_layers=2, callbacks=None, verbose=False, loss='mean_squared_error', metrics=None, random_state=0, activation='linear', use_bias=True, optimizer=None, filter_sizes=None, padding='auto')

时间序列卷积神经网络 (CNN)，如 [1] 中所述。

改编自 Fawaz 等人的实现 hfawaz/dl-4-tsc

参数：

n_epochsint, 默认 = 2000

模型训练的 epoch 数

batch_sizeint, 默认 = 16

每次梯度更新的样本数。

kernel_sizeint, 默认 = 7

1D 卷积窗口的长度

avg_pool_sizeint, 默认 = 3

平均池化窗口的大小

n_conv_layersint, 默认 = 2

卷积层加上平均池化层的数量

callbackslist of keras.callbacks, 默认 = None

verboseboolean, 默认 = False

是否输出额外信息

lossstring, 默认=”mean_squared_error”

keras 模型的 fit 参数

metricslist of strings, 默认=[“accuracy”],

random_stateint or None, 默认=None

随机数生成的种子。

activationstring or a tf callable, 默认=”softmax”

输出线性层中使用的激活函数。可用激活函数的列表： https://keras.org.cn/api/layers/activations/

use_biasboolean, 默认 = True

层是否使用偏置向量。

optimizerkeras.optimizers object, 默认 = Adam(lr=0.01)

指定要使用的优化器和学习率。

filter_sizesarray of shape (n_conv_layers) default = [6, 12]

paddingstring, 默认 = “auto”

控制卷积层的填充逻辑，即是否将 'valid' 和 'same' 传递给 Conv1D 层。

- “auto”: 根据原始实现，如果输入层的 input_shape[0] < 60，则传递 "same"，否则传递 "valid"。

• “valid”、“same” 和其他值直接传递给 Conv1D。

属性：

is_fitted

是否已拟合 (fit 是否已被调用)。

注意事项

改编自 Fawaz 等人的实现 hfawaz/dl-4-tsc

参考文献

[1]

Zhao et. al, Convolutional neural networks for

time series classification, Journal of Systems Engineering and Electronics, 28(1):2017.

示例

>>> from sktime.datasets import load_unit_test
>>> from sktime.regression.deep_learning.cnn import CNNRegressor
>>> X_train, y_train = load_unit_test(return_X_y=True, split="train")
>>> X_test, y_test = load_unit_test(return_X_y=True, split="test")
>>> regressor = CNNRegressor() 
>>> regressor.fit(X_train, y_train) 
CNNRegressor(...)
>>> y_pred = regressor.predict(X_test) 

方法

build_model(input_shape, **kwargs)	构建一个已编译、未训练的 keras 模型，可用于训练。
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])	构建类的实例，使用第一个测试参数集。
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)	将时间序列回归器拟合到训练数据。
get_class_tag(tag_name[, tag_value_default])	从类中获取类标签值，带有父类的标签级别继承。
get_class_tags()	从类中获取类标签，带有父类的标签级别继承。
get_config()	获取 self 的配置标志。
get_fitted_params([deep])	获取已拟合的参数。
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，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。
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])	将序列化的 self 保存到类似字节的对象或 (.zip) 文件。
score(X, y[, multioutput])	比较 X 上的预测标签与真实标签。
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, ...])	设置 self 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。

build_model(input_shape, **kwargs)

构建一个已编译、未训练的 keras 模型，可用于训练。

在 sktime 中，时间序列存储在形状为 (d,m) 的 numpy 数组中，其中 d 是维度数，m 是序列长度。Keras/tensorflow 假定数据形状为 (m,d)。此方法也假定形状为 (m,d)。转置应在 fit 中进行。

参数：

input_shapetuple

输入层的数据形状，应为 (m,d)

返回：

output一个已编译的 Keras 模型

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=”default”

要返回的测试参数集的名称，用于测试中。如果未为值定义特殊参数，将返回 "default" 集。对于分类器，应提供一组“default”参数用于一般测试，如果一般集未产生适合比较的概率，则提供一组“results_comparison”参数用于比较之前记录的结果。

返回：

paramsdict or list of dict, 默认={}

用于创建类的测试实例的参数。每个 dict 是构造一个“有趣的”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)

检查估计器是否已拟合。

检查 _is_fitted 属性是否存在且为 True。在对象的 fit 方法调用中，应将 is_fitted 属性设置为 True。

如果不存在，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。

克隆是一个不同的对象，没有共享引用，处于初始化后状态。此函数等同于返回 sklearn.clone 的 self。

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())。

在值上等同于调用 self.reset，不同之处在于 clone 返回一个新对象，而不是像 reset 那样改变 self。

引发：

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

clone_tags(estimator, tag_names=None)

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，它们是构建后不会改变的静态标志。

clone_tags 设置来自另一个对象 estimator 的动态标签覆盖。

clone_tags 方法应仅在对象的 __init__ 方法中，在构建期间调用，或在构建后直接通过 __init__ 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 的默认设置会将 estimator 中的所有标签写入 self。

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数：

estimator:class:BaseObject 或派生类的实例

tag_namesstr or list of str, 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：

self

对 self 的引用。

classmethod create_test_instance(parameter_set='default')

构建类的实例，使用第一个测试参数集。

参数：

parameter_setstr, 默认=”default”

要返回的测试参数集的名称，用于测试中。如果未为值定义特殊参数，将返回 “default” 集。

返回：

instance带有默认参数的类的实例

classmethod create_test_instances_and_names(parameter_set='default')

创建所有测试实例的列表及其名称列表。

参数：

parameter_setstr, 默认=”default”

要返回的测试参数集的名称，用于测试中。如果未为值定义特殊参数，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 个元素是第 i 个 obj 实例在测试中的名称。命名约定是 {cls.__name__}-{i} 如果有多个实例，否则是 {cls.__name__}。

fit(X, y)

将时间序列回归器拟合到训练数据。

状态变更

将状态变更为“fitted”。

写入 self

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

参数：

Xsktime 兼容的时间序列面板数据容器，Panel 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: 形状为 [n_instances, n_dimensions, series_length] 的 3D np.array（任意维度数，等长序列）

• 或任何其他受支持的 Panel mtype

有关 mtypes 列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多元或不等长序列的面板，详情请参见 tag reference。

ysktime 兼容的表格数据容器，Table 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 0 级索引对应于 X 中的实例索引 1 级索引（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 self 的引用。

注意事项

通过创建一个已拟合的模型来改变状态，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)

从类中获取类标签值，带有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，它在考虑类级别标签值和覆盖的情况下检索标签的值。

它返回 self 中名称为 tag_name 的标签值，按以下优先级降序考虑标签覆盖：

1. 类 _tags 属性中设置的标签。

2. 父类 _tags 属性中设置的标签，

按继承顺序。

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

要检索带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_defaultany type

如果找不到标签，则使用默认/回退值。

返回：

tag_value

self 中 tag_name 标签的值。如果找不到，返回 tag_value_default。

classmethod get_class_tags()

从类中获取类标签，带有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，它们是构建后不会改变的静态标志。

get_class_tags 方法是一个类方法，它在仅考虑类级别标签值和覆盖的情况下检索标签的值。

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. 类 _tags 属性中设置的标签。

2. 父类 _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。

要检索带有潜在实例覆盖的标签，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。未被通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()

获取 self 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。

默认配置在类或其父类的类属性 _config 中设置，并通过 set_config 设置的动态配置进行覆盖。

配置在 clone 或 reset 调用后保留。

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，然后通过 _onfig_dynamic 对象属性的任何覆盖和新标签进行收集。

get_fitted_params(deep=True)

获取已拟合的参数。

所需状态

需要状态为“fitted”。

参数：

deepbool, 默认=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 (= BaseEstimator 值的参数) 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 的 dict

已拟合参数的字典，paramname : paramvalue 键值对包含：

• 总是包含：此对象的所有已拟合参数，如通过 get_param_names 获取的值是此对象该键的已拟合参数值。

• 如果 deep=True，也包含组件参数的键/值对 参数通过 [componentname]__[paramname] 索引 componentname 的所有参数都显示为 paramname 及其值。

• 如果 deep=True，也包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 等。

classmethod get_param_defaults()

获取对象的参数默认值。

返回：

default_dict: dict[str, Any]

键是 cls 在 __init__ 中定义了默认值的所有参数。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。

参数：

sortbool, 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：

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，则按字母顺序排列。

get_params(deep=True)

获取此对象的参数值字典。

参数：

deepbool, 默认=True

是否返回组件的参数。

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

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

返回：

params键为 str 的 dict

参数字典，paramname : paramvalue 键值对包含：

• 总是包含：此对象的所有参数，如通过 get_param_names 获取的值是此对象该键的参数值 值总是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 参数通过 [componentname]__[paramname] 索引 componentname 的所有参数都显示为 paramname 及其值。

• 如果 deep=True，也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)

从实例获取标签值，带有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，它们是构建后不会改变的静态标志。

get_tag 方法从实例检索名称为 tag_name 的单个标签值，并按以下优先级降序考虑标签覆盖：

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

在实例构造时设置。

2. 类 _tags 属性中设置的标签。

3. 父类 _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=None

如果找不到标签，则使用默认/回退值。

raise_errorbool

如果找不到标签是否引发 ValueError。

返回：

tag_valueAny

self 中 tag_name 标签的值。如果找不到，如果 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，带有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，它们是构建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 设置的标签的键。

值是相应的标签值，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，

在实例构造时设置。

2. 类 _tags 属性中设置的标签。

3. 父类 _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，然后通过 _tags_dynamic 对象属性的任何覆盖和新标签进行收集。

is_composite()

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：

composite: bool

对象是否有任何参数其值为 BaseObject 的后代实例。

property is_fitted

是否已拟合 (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，并在对象的 fit 方法调用中设置为 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：

serialZip 文件的名称。

返回：

产生的反序列化 self，输出位于 path，由 cls.save(path) 生成。

classmethod load_from_serial(serial)

从序列化内存容器加载对象。

参数：

serial: ``cls.save(None)`` 输出的第 1 个元素。

这是一个大小为 3 的元组。第一个元素代表 pickle 序列化的实例。第二个元素代表 h5py 序列化的 keras 模型。第三个元素代表 pickle 序列化的 .fit() 历史记录。

返回：

产生的反序列化 self，输出为 serial，由 cls.save(None) 生成。

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

• 或任何其他受支持的 Panel mtype

有关 mtypes 列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多元或不等长序列的面板，详情请参见 tag reference。

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]。

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

如果 y 是单变量（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所处的状态，具有相同的超参数。通过 set_config 设置的配置值也得到保留。

一个 reset 调用删除所有对象属性，除了：

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

• 包含双下划线，即字符串“__”的对象属性。例如，名为“__myattr”的属性将保留。

• 配置属性，配置不变地保留。也就是说，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，不同之处在于 reset 改变 self 而不是返回一个新对象。

在 self.reset() 调用后，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。

返回：

self

重置为干净的初始化后状态但保留当前超参数值的类实例。

save(path=None)

将序列化的 self 保存到类似字节的对象或 (.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，则在指定位置存储 zip 文件。zip 文件的内容包括： _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)。keras/ - 模型、优化器和状态存储在此目录中。history - 序列化的 history 对象。

参数：

pathNone 或文件位置 (str 或 Path)

如果为 None，self 保存到内存中的对象 如果是文件位置，self 保存到该文件位置。例如：

path=”estimator” 则在当前工作目录创建 zip 文件 estimator.zip。path=”/home/stored/estimator” 则在 /home/stored/ 中存储 zip 文件 estimator.zip。

返回：

如果 path 为 None - 内存中的序列化 self

如果 path 是文件位置 - 指向文件的 ZipFile

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

比较 X 上的预测标签与真实标签。

参数：

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: 形状为 [n_instances, n_dimensions, series_length] 的 3D np.array（任意维度数，等长序列）或任何其他受支持的 Panel mtype 有关 mtypes 列表，请参见 datatypes.SCITYPE_REGISTER 有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

y形状为 [n_instances, n_dimensions] 的 2D np.array of int - 回归标签

用于拟合的索引对应于 X 中的实例索引，或形状为 [n_instances] 的 1D np.array of int - 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=”uniform_average”)

{“raw_values”, “uniform_average”, “variance_weighted”}，形状为 (n_outputs,) 的 array-like 或 None，默认=”uniform_average”。定义聚合多个输出分数的方式。Array-like 值定义用于平均分数的权重。

返回：

float (默认) 或 1D np.array of float

predict(X) 与 y 之间的 R-squared 分数 如果 multioutput=”uniform_average” 或 “variance_weighted”，或 y 是单变量，则为 float；如果 multioutput=”raw_values” 且 y 是多元变量，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 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=True

打印自身时是仅列出与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，即仅影响自身而不影响组件估计器。

warningsstr, “on”（默认）或“off”

是否发出警告，仅影响 sktime 发出的警告

• “on” = 将发出来自 sktime 的警告

• “off” = 将不发出来自 sktime 的警告

backend:parallelstr, 可选，默认=“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，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={}（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 joblib 后端，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，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，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=True；False 会阻止 ray 在并行化后关闭。

    关闭。

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

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

返回：

self对自身的引用。

注意事项

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

set_params(**params)

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>。如果这种引用是明确的，即没有两个组件参数具有相同的名称 <parameter>，则也可以使用不带 <component>__ 的字符串 <parameter>。

参数：

**paramsdict

BaseObject 参数，键必须是 <component>__<parameter> 字符串。如果 __ 后缀在 get_params 键中是唯一的，则可以作为完整字符串的别名。

返回：

self对自身的引用（参数设置后）

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

设置 self 的 random_state 伪随机种子参数。

通过 self.get_params 查找名为 random_state 的参数，并使用 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 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，或者没有任何组件具有 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=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复现的输出。

deepbool, 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，则也将设置组件对象中的 random_state 参数。

self_policystr, 以下之一 {“copy”, “keep”, “new”}, 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，

从输入的 random_state 派生，并且通常与它不同

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，它们是对象构建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，字典值是要将标签设置到的值。

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

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数：

**tag_dictdict

标签名称: 标签值 对的字典。

返回：

自身

对自身的引用。