FCNRegressor

class FCNRegressor(n_epochs=2000, batch_size=16, callbacks=None, verbose=False, loss='mean_squared_error', metrics=None, random_state=None, activation='sigmoid', use_bias=True, optimizer=None)

全连接神经网络 (FCN)，如 [1] 中所述。

改编自 Fawaz 等人的实现 hfawaz/dl-4-tsc

参数:

此处是否应列出继承的字段？

n_epochsint，默认值 = 2000

模型训练的 epoch 数量

batch_sizeint，默认值 = 16

每次梯度更新的样本数量。

random_stateint 或 None，默认值=None

随机数生成的种子。

verboseboolean，默认值 = False

是否输出额外信息

lossstring，默认值=”mean_squared_error”

keras 模型的 fit 参数

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

activationstring 或 tf 可调用对象，默认值=”sigmoid”

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

use_biasboolean，默认值 = True

该层是否使用偏置向量。

optimizerkeras.optimizers 对象，默认值 = Adam(lr=0.01)

指定要使用的优化器和学习率。

属性:

is_fitted

是否已调用 fit 方法。

参考文献

[1]

Zhao 等人，时间序列分类的卷积神经网络，

系统工程与电子学报，28(1):2017。

方法

build_model(input_shape, **kwargs)	构建一个已编译、未经训练但可用于训练的 keras 模型。
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一个实例。
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)	使用训练数据拟合时间序列回归器。
get_class_tag(tag_name[, tag_value_default])	从类中获取类标签值，并继承父类的标签级别。
get_class_tags()	从类中获取类标签，并继承父类的标签级别。
get_config()	获取自身的配置标志。
get_fitted_params([deep])	获取已拟合的参数。
get_param_defaults()	获取对象的默认参数。
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, ...])	从实例中获取标签值，带有标签级别的继承和覆盖。
get_tags()	从实例中获取标签，带有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()	将对象重置为干净的初始化后状态。
save([path])	将序列化的自身保存到字节类对象或 (.zip) 文件中。
score(X, y[, multioutput])	根据 X 上的真实标签对预测标签进行评分。
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。

build_model(input_shape, **kwargs)

构建一个已编译、未经训练但可用于训练的 keras 模型。

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)。此方法也假定为 (m,d)。转置应在 fit 方法中进行。

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，默认值=”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，将返回 "default" 集。对于分类器，应提供一组“默认”参数用于通用测试，如果通用集无法产生适合比较的概率，则提供一组“结果比较”参数用于与先前记录的结果进行比较。

返回:

paramsdict 或 list of dict，默认值={}

用于创建类测试实例的参数。每个 dict 都是构建“有趣”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)

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

调用此方法的函数的名称。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。

克隆是一个不共享引用，处于初始化后状态的独立对象。此函数等同于返回 self 的 sklearn.clone。

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。

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)

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。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

The clone_tags method should be called only in the __init__ method of an object, during construction, or directly after construction via __init__.

The dynamic tags are set to the values of the tags in estimator, with the names specified in tag_names.

The default of tag_names writes all tags from estimator to self.

Current tag values can be inspected by get_tags or get_tag.

estimator:class:BaseObject 或派生类的一个实例

参数:

tag_namesstr 或 str 列表，默认值 = None

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

self

返回:

self 的引用。

classmethod create_test_instance(parameter_set='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，将返回 “default” 集。

使用第一个测试参数集构造类的一个实例。

参数:

parameter_setstr，默认值=”default”

instance使用默认参数的类实例

返回:

classmethod create_test_instances_and_names(parameter_set='default')

objscls 实例列表

创建所有测试实例的列表及其名称列表。

参数:

parameter_setstr，默认值=”default”

instance使用默认参数的类实例

返回:

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 的第 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)

状态变化

使用训练数据拟合时间序列回归器。

将状态更改为“已拟合”。

写入 self

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

Xsktime 兼容的时间序列面板数据容器，scitype 为 Panel

参数:

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 variables，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 (任意维度数，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

详细规范请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板数据，详细信息请参阅标签参考。

ysktime 兼容的表格数据容器，scitype 为 Table

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

self对自身的引用。

返回:

注意

通过创建一个已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。

从类中获取类标签值，并继承父类的标签级别。

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

它从对象中返回名为 tag_name 的标签值，并考虑标签覆盖，优先级按降序排列如下

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。

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

要检索可能带有实例覆盖的标签值，请改用 get_tag 方法。

tag_namestr

参数:

标签值的名称。

tag_value_default任意类型

如果未找到标签，使用的默认/回退值。

tag_value

返回:

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。

从类中获取类标签，并继承父类的标签级别。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储关于对象的元数据，或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

值是相应的标签值，按以下降序优先级进行覆盖

实例可以根据超参数覆盖这些标签。

要检索可能带有实例覆盖的标签，请改用 get_tags 方法。

1. 在父类的 _tags 属性中设置的标签，

2. 按继承顺序。

不考虑实例上通过 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

要检索可能带有实例覆盖的标签值，请改用 get_tag 方法。

标签名称：标签值对的字典。通过嵌套继承从 _tags 类属性中收集。不受通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()

Configs 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，它们会覆盖默认配置。

获取自身的配置标志。

默认配置在类或其父类的类属性 _config 中设置，并被通过 set_config 设置的动态配置覆盖。

Configs 在 clone 或 reset 调用下保留。

config_dictdict

配置名称：配置值对的字典。通过嵌套继承从 _config 类属性中收集，然后通过 _onfig_dynamic 对象属性收集任何覆盖和新标签。

返回:

get_fitted_params(deep=True)

所需状态

需要状态为“已拟合”。

获取已拟合的参数。

deepbool，默认值=True

是否返回组件的已拟合参数。

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）的已拟合参数。

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

• fitted_paramsdict，键为 str 类型

• 已拟合参数字典，键值对 paramname : paramvalue 包括

返回:

总是：此对象的所有已拟合参数，如通过 get_param_names 获取的那样，值是此对象该键的已拟合参数值

如果 deep=True，还包含组件参数的键/值对，组件参数索引为 [componentname]__[paramname]，componentname 的所有参数以 paramname 形式出现，并带有其值

• 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。

default_dict: dict[str, Any]

键是 cls 中在 __init__ 中定义了默认值的所有参数。值是默认值，如在 __init__ 中定义的那样。

返回:

classmethod get_param_names(sort=True)

获取对象的参数名称。

sortbool，默认值=True

打印 self 时是仅列出自默认值不同的参数 (False)，还是列出所有参数名称和值 (False)。不进行嵌套，即仅影响 self 而不影响组件估计器。

参数:

param_names: list[str]

cls 的参数名称列表。如果 sort=False，顺序与在类 __init__ 中出现的顺序相同。如果 sort=True，按字母顺序排列。

返回:

get_params(deep=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（= BaseObject 值参数）的参数。

获取此对象的参数值字典。

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）的已拟合参数。

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。

• paramsdict，键为 str 类型

• 参数字典，键值对 paramname : paramvalue 包括

返回:

总是：此对象的所有参数，如通过 get_param_names 获取的那样，值是此对象该键的参数值，值始终与构造时传入的值相同

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

• 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，优先级按降序排列如下

• classmethod get_param_defaults()

• 获取对象的默认参数。

通过实例上的 set_tags 或 clone_tags 设置的标签，

从实例中获取标签值，带有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。标签可用于存储关于对象的元数据，或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

在实例构造时。

1. 要检索的标签名称

tag_value_default任意类型，可选；默认值=None

2. 在父类的 _tags 属性中设置的标签，

3. 按继承顺序。

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

参数:

标签值的名称。

如果未找到标签，使用的默认/回退值

raise_errorbool

未找到标签时是否引发 ValueError

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。

返回:

ValueError，如果 raise_error 为 True。

如果 tag_name 不在 self.get_tags().keys() 中，则引发 ValueError。

引发:

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，或通过 set_tags 或 clone_tags 设置的标签。

collected_tagsdict

从实例中获取标签，带有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。标签可用于存储关于对象的元数据，或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

标签名称：标签值对的字典。通过嵌套继承从 _tags 类属性中收集，然后通过 _tags_dynamic 对象属性收集任何覆盖和新标签。

要检索可能带有实例覆盖的标签，请改用 get_tags 方法。

1. 要检索的标签名称

tag_value_default任意类型，可选；默认值=None

2. 在父类的 _tags 属性中设置的标签，

3. 按继承顺序。

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

返回:

is_composite()

复合对象是包含对象的对象，以参数形式存在。在实例上调用，因为这可能因实例而异。

composite: bool

检查对象是否由其他 BaseObject 组成。

对象是否具有任何参数，其值是 BaseObject 的派生实例。

返回:

property is_fitted

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。

bool

是否已调用 fit 方法。

估计器是否已 fit (拟合)。

返回:

classmethod load_from_path(serial)

serialzip 文件名称。

反序列化的 self，结果输出到 path，即 cls.save(path) 的输出

从文件位置加载对象。

参数:

classmethod load_from_serial(serial)

返回:

serial: cls.save(None) 输出的第一个元素

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

从序列化的内存容器加载对象。

参数:

反序列化的 self，结果为输出 serial，即 cls.save(None) 的输出

predict(X) → ndarray

返回:

用于预测标签的时间序列。

y_predsktime 兼容的表格数据容器，scitype 为 Table scitype

预测 X 中序列的标签。

参数:

用于拟合估计器的时间序列。

预测的回归标签

pd-multiindex: pd.DataFrame，列为 variables，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 (任意维度数，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

详细规范请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持多变量或不等长序列的面板数据，详细信息请参阅标签参考。

ysktime 兼容的表格数据容器，scitype 为 Table

返回:

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 self 设置回紧接着构造函数调用后的状态，并保留相同的超参数。通过 set_config 设置的配置值也会保留。

reset 调用会删除除以下属性外的所有对象属性

将对象重置为干净的初始化后状态。

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（即字符串“__”）的对象属性。例如，名为“__myattr”的属性会被保留。

• config 属性，配置不变。即，reset 前后 get_config 的结果相同。

• 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。

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。

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)

返回:

self 的引用。

行为：如果 path 为 None，返回一个内存中的序列化 self；如果 path 是文件路径，则将该名称的 zip 文件存储在该位置。zip 文件内容包括：_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下。history - 序列化的 history 对象。

pathNone 或文件位置 (str 或 Path)

将序列化的自身保存到字节类对象或 (.zip) 文件中。

如果为 None，则 self 保存到内存对象中；如果是文件位置，则 self 保存到该文件位置。例如

参数:

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

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

返回:

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

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

pd-multiindex: pd.DataFrame，列为 variables，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 (任意维度数，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 详细规范请参阅 examples/AA_datatypes_and_datasets.ipynb

根据 X 上的真实标签对预测标签进行评分。

参数:

y2D np.array，类型为 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，类型为 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 (默认值=”uniform_average”)

{“raw_values”, “uniform_average”, “variance_weighted”}，形状为 (n_outputs,) 的类数组对象或 None，默认值=”uniform_average”。定义多输出分数的聚合方式。类数组值定义用于平均分数的权重。

float (默认值) 或 1D np.array，类型为 float

predict(X) 与 y 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 是多变量，则为 1D np.array

返回:

set_config(**config_dict)

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”（默认值），或“text”

将配置标志设置为给定值。

参数:

get_fitted_params(deep=True)

jupyter 内核如何显示 self 的实例

“diagram” = html 框图表示

“text” = 字符串输出

• print_changed_onlybool，默认值=True

• 打印 self 时是仅列出自默认值不同的参数 (False)，还是列出所有参数名称和值 (False)。不进行嵌套，即仅影响 self 而不影响组件估计器。

warningsstr，“on”（默认值），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，默认值=”None”

• 广播/向量化时用于并行化的后端，可选值包括

“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，默认值={} (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。这里可以传递 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，将默认为 -1，其他参数将默认为 joblib 的默认值。

• “None”：没有额外的参数，backend_params 参数将被忽略

• “loky”、“multiprocessing” 和 “threading”：默认的 joblib 后端，可以在这里传入 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果未传入 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。可以在这里传入 joblib.Parallel 的任何有效键，例如 n_jobs。backend 在这种情况下必须作为 backend_params 的一个键传入。如果未传入 n_jobs，则默认为 -1，其他参数将默认为 joblib 的默认值。

• “dask”：可以传入 dask.compute 的任何有效键，例如 scheduler

• “ray”：可以传入以下键

  • “ray_remote_args”：一个字典，包含 ray.init 的有效键

  • “shutdown_ray”：布尔值，默认为 True；False 会阻止 ray 在并行化后

    关闭。

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

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

返回:

**self**指向自身的引用。

通过创建一个已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(**params)

设置此对象的参数。

该方法适用于简单的 skbase 对象以及组合对象。参数键字符串 <component>__<parameter> 可用于组合对象，即包含其他对象的对象，以访问组件 <component> 中的 <parameter>。如果引用是明确的，例如没有两个组件参数使用名称 <parameter>，则也可以使用不带 <component>__ 的字符串 <parameter>。

参数:

**params**字典

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**指向自身的引用（设置参数后）

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

为自身设置 random_state 伪随机种子参数。

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 导出的整数。这些整数通过链式哈希（chain hashing）从 sample_dependent_seed 中采样，并保证种子随机生成器的伪随机独立性。

根据 self_policy 的设置，应用于 self 中的 random_state 参数，并且仅当 deep=True 时应用于其余组件对象。

注意：即使 self 没有 random_state 参数，或者没有组件具有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 对象，即使那些没有 random_state 参数的对象。

参数:

**random_state**int, 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。传入 int 可在多次函数调用中获得可重现的输出。

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）的已拟合参数。

是否设置 skbase 对象值参数（即组件估计器）中的随机状态。

• 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_policy**字符串，为 {“copy”, “keep”, “new”} 之一，默认为 “copy”

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

• “keep”：保留 self.random_state 不变

• “new”：将 self.random_state 设置为一个新的随机状态，

该状态从输入的 random_state 导出，并且通常与它不同

返回:

**self**指向自身的引用

set_tags(**tag_dict)

将实例级别的标签覆盖设置为给定值。

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

标签是特定于实例 self 的键值对，它们是对象构建后不更改的静态标志。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 方法只能在对象的 __init__ 方法中调用（在构造期间），或在通过 __init__ 构造后直接调用。

estimator:class:BaseObject 或派生类的一个实例

参数:

**tag_dict**字典

标签名称：标签值对的字典。

返回:

Self

指向自身的引用。