LSTMFCNRegressor

类 LSTMFCNRegressor(n_epochs=2000, batch_size=128, dropout=0.8, kernel_sizes=(8, 5, 3), filter_sizes=(128, 256, 128), lstm_size=8, attention=False, callbacks=None, random_state=None, verbose=0)

Karim 等人 (2019) [1] 中 LSTMFCNRegressor 的实现。

参数:

n_epochs: int, default=2000

训练模型的 epoch 数

batch_size: int, default=128

每次梯度更新的样本数。

dropout: float, default=0.8

控制 LSTM 层的 dropout 率

kernel_sizes: int 列表, default=[8, 5, 3]

指定一维卷积窗口的长度

filter_sizes: int, int 列表, default=[128, 256, 128]

每个卷积层的滤波器大小

lstm_size: int, default=8

LSTM 层的输出维度

attention: boolean, default=False

如果为 True，则使用自定义的 attention LSTM 层

callbacks: keras 回调函数, default=ReduceLRonPlateau

要使用的 Keras 回调函数，例如学习率衰减或基于验证误差保存最佳模型

verbose: ‘auto’, 0, 1, 或 2. 详细模式。

0 = 静默，1 = 进度条，2 = 每 epoch 一行。在大多数情况下，'auto' 默认为 1，但与 ParameterServerStrategy 一起使用时为 2。请注意，将进度条记录到文件时不太有用，因此在非交互式运行（例如，在生产环境中）时推荐使用 verbose=2。

random_stateint 或 None, default=None

随机种子，整数。

属性:

is_fitted

是否已调用 fit。

参考

[1]

Karim 等人. Multivariate LSTM-FCNs for Time Series Classification, 2019

https://arxiv.org/pdf/1801.04503.pdf

示例

>>> from sktime.datasets import load_unit_test
>>> from sktime.regression.deep_learning.lstmfcn import LSTMFCNRegressor
>>> 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 = LSTMFCNRegressor() 
>>> regressor.fit(X_train, y_train) 
LSTMFCNRegressor(...)
>>> y_pred = regressor.predict(X_test) 

方法

build_model(input_shape, **kwargs)	构建一个已编译、未训练、可用于训练的 keras 模型。
check_is_fitted([method_name])	检查评估器是否已拟合。
clone()	获取一个具有相同超参数和配置的对象克隆。
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建类的一个实例。
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)	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，包含父类的标签级别继承。
get_class_tags()	从类中获取类标签，包含父类的标签级别继承。
get_config()	获取对象的配置标志。
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])	返回评估器的测试参数设置。
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。
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])	将序列化后的对象保存到字节类对象或 (.zip) 文件。
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, ...])	为对象设置 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。

build_model(input_shape, **kwargs)

构建一个已编译、未训练、可用于训练的 keras 模型。

返回:

output一个已编译的 Keras 模型

类方法 get_test_params(parameter_set='default')

返回评估器的测试参数设置。

参数:

parameter_setstr, default=”default”

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。对于分类器，应提供一组“default”参数用于一般测试，以及一组“results_comparison”用于与先前记录的结果进行比较（如果通用集未生成适合比较的概率）。

返回:

paramsdict 或 dict 列表, default={}

用于创建类测试实例的参数。每个 dict 都是构造一个“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（或唯一的）字典。

check_is_fitted(method_name=None)

检查评估器是否已拟合。

检查 _is_fitted 属性是否存在且为 True。在调用对象的 fit 方法时，is_fitted 属性应设置为 True。

如果不是，则引发 NotFittedError。

参数:

method_namestr, 可选

调用此方法的名称。如果提供，错误消息将包含此信息。

引发:

NotFittedError

如果评估器尚未拟合。

clone()

获取一个具有相同超参数和配置的对象克隆。

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。

等同于构造一个 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。

引发:

如果克隆因 __init__ 故障而不符合要求，则会引发 RuntimeError。

clone_tags(estimator, tag_names=None)

从另一个对象克隆标签作为动态覆盖。

每个与 scikit-base 兼容的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 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、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，名称由 tag_names 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 查看。

参数:

estimator:class:BaseObject 或派生类的一个实例

tag_namesstr 或 str 列表, default = 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。

类方法 create_test_instance(parameter_set='default')

使用第一个测试参数集构建类的一个实例。

参数:

parameter_setstr, default=”default”

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。

返回:

instance具有默认参数的类实例

类方法 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, default=”default”

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。

返回:

objscls 实例的列表

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 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)

将时间序列回归器拟合到训练数据。

状态变化

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。

参数:

Xsktime 兼容的时间序列面板数据容器，Panel scitype

用于拟合评估器的时间序列。

可以是 Panel scitype 的任何 mtype，例如

• pd-multiindex: pd.DataFrame，其中 columns = 变量，index = pd.MultiIndex，第一级 = 实例索引，第二级 = 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]

• 或任何其他受支持的 Panel mtype

mtype 列表详见 datatypes.SCITYPE_REGISTER

规范详见 examples/AA_datatypes_and_datasets.ipynb

并非所有评估器都支持包含多元或不等长序列的面板，详情请参阅标签参考。

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] 用于拟合的类别标签 0-th 索引对应于 X 中的实例索引 1-st 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

通过创建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。

类方法 get_class_tag(tag_name, tag_value_default=None)

从类中获取类标签值，包含父类的标签级别继承。

每个与 scikit-base 兼容的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 方法是一个类方法，仅考虑类级别标签值和覆盖来检索标签的值。

它从对象返回名称为 tag_name 的标签值，并考虑标签覆盖，优先级按降序排列如下：

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。

不考虑实例上的动态标签覆盖，这些动态标签覆盖通过 set_tags 或 clone_tags 设置，并定义在实例上。

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，则使用的默认/备用值。

返回:

tag_value

tag_name 标签在 self 中的值。如果未找到，则返回 tag_value_default。

类方法 get_class_tags()

从类中获取类标签，包含父类的标签级别继承。

每个与 scikit-base 兼容的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 方法是一个类方法，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 _tags 的任何属性的键。

值是相应的标签值，按降序排列的覆盖优先级如下：

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，这些动态标签覆盖通过 set_tags 或 clone_tags 设置，并定义在实例上。

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()

获取对象的配置标志。

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。

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。

Configs 在 clone 或 reset 调用下保留。

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，然后是来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)

获取已拟合参数。

所需状态

要求状态为“已拟合”。

参数:

deepbool, default=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称：值字典，包括可拟合组件的已拟合参数（= BaseEstimator 值的参数）。

• 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。

返回:

fitted_params键为 str 类型的 dict

已拟合参数字典，键值对 paramname : paramvalue 包括

• 始终包含：此对象的所有已拟合参数，通过 get_param_names 获取，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 组件参数按 [componentname]__[paramname] 索引 componentname 的所有参数都显示为 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

类方法 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。值是默认值，如 __init__ 中所定义。

类方法 get_param_names(sort=True)

获取对象的参数名称。

参数:

sortbool, default=True

是否按字母顺序（True）或按它们在类 __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，则按它们在类 __init__ 中出现的顺序排列。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, default=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 值的参数）。

• 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，键值对 paramname : paramvalue 包括

• 始终包含：此对象的所有参数，通过 get_param_names 获取，值是此对象该键的参数值，这些值总是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 组件参数按 [componentname]__[paramname] 索引 componentname 的所有参数都显示为 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

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

从实例获取标签值，包含标签级别继承和覆盖。

每个与 scikit-base 兼容的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，优先级按降序排列如下：

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

在实例构建时设置。

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，

按照继承顺序。

参数:

tag_namestr

要检索的标签名称

tag_value_default任意类型，可选; default=None

如果未找到标签，则使用的默认/备用值

raise_errorbool

未找到标签时是否引发 ValueError

返回:

tag_value任意类型

tag_name 标签在 self 中的值。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，则会引发 ValueError。

get_tags()

从实例获取标签，包含标签级别继承和覆盖。

每个与 scikit-base 兼容的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 的任何属性的键，或通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，按降序排列的覆盖优先级如下：

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

在实例构建时设置。

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，然后是来自 _tags_dynamic 对象属性的任何覆盖和新标签。

is_composite()

检查对象是否由其他 BaseObjects 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

对象是否具有任何参数，其值是 BaseObject 的派生实例。

属性 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，并在调用对象的 fit 方法时设置为 True。

返回:

bool

评估器是否已 fit。

类方法 load_from_path(serial)

从文件位置加载对象。

参数:

serialzip 文件名。

返回:

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

类方法 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 序列化后的实例。第二个元素表示 h5py 序列化后的 keras 模型。第三个元素表示 pickle 序列化后的 .fit() 历史。

返回:

反序列化后的 self，结果输出 serial，即 cls.save(None) 的输出

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，其中 columns = 变量，index = pd.MultiIndex，第一级 = 实例索引，第二级 = 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]

• 或任何其他受支持的 Panel mtype

mtype 列表详见 datatypes.SCITYPE_REGISTER

规范详见 examples/AA_datatypes_and_datasets.ipynb

并非所有评估器都支持包含多元或不等长序列的面板，详情请参阅标签参考。

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]。

0-th 索引对应于 X 中的实例索引，1-st 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 中传入的 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 设置为构造函数调用后立即处于的状态，具有相同的超参数。通过 set_config 设置的配置值也保留。

调用 reset 会删除任何对象属性，除了

• 超参数 = __init__ 的参数，写入 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”的属性会被保留。

• 配置属性，配置保持不变。也就是说，reset 前后的 get_config 结果是相同的。

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 会修改 self，而不是返回一个新对象。

在调用 self.reset() 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

类实例被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)

将序列化后的对象保存到字节类对象或 (.zip) 文件。

行为：如果 path 为 None，则返回一个内存中的序列化 self；如果 path 是一个文件，则在该位置存储一个同名 zip 文件。zip 文件的内容包括：_metadata - 包含 self 的类，即 type(self)。_obj - 序列化后的 self。此类使用默认序列化（pickle）。keras/ - 模型、优化器和状态存储在该目录中。history - 序列化后的 history 对象。

参数:

pathNone 或 文件位置 (str 或 Path)

如果为 None，self 保存到内存对象；如果为文件位置，self 保存到该文件位置。例如

path=”estimator” 则会在当前工作目录 (cwd) 创建一个 zip 文件 estimator.zip。path=”/home/stored/estimator” 则会在 /home/stored/ 中存储一个 zip 文件 estimator.zip。

返回:

如果 path 为 None - 则是在内存中序列化自身

如果 path 是文件位置 - 则是一个引用该文件的 ZipFile 对象

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

根据 X 上的真实标签对预测标签进行评分。

参数:

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

pd-multiindex: 一个 pd.DataFrame，其中 columns = 变量，index = 一个 pd.MultiIndex，第一层是实例索引，第二层是时间索引 numpy3D: 一个 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，mtype 列表参见 datatypes.SCITYPE_REGISTER，详细说明参见 examples/AA_datatypes_and_datasets.ipynb

y一个形状为 [n_instances, n_dimensions] 的 2D int np.array - 回归标签

对于拟合，索引对应于 X 中的实例索引；或一个形状为 [n_instances] 的 1D int np.array - 对于拟合，回归标签的索引对应于 X 中的实例索引

multioutputstr 类型，可选（默认为 “uniform_average”）

{“raw_values”, “uniform_average”, “variance_weighted”}，形状为 (n_outputs,) 的类数组或 None，默认为 “uniform_average”。定义了如何聚合多个输出得分。类数组值定义了用于平均得分的权重。

返回:

float (默认) 或形状为 1D 的 float np.array

predict(X) 与 y 的 R-squared 得分。如果 multioutput=”uniform_average” 或 “variance_weighted”，或者 y 是一元变量，则为 float 类型；如果 multioutput=”raw_values” 且 y 是多元变量，则为 1D np.array 类型。

set_config(**config_dict)

将配置标志设置为给定值。

参数:

config_dictdict

config 名称 : config 值对的字典。有效的 configs、值及其含义如下所列

displaystr 类型，“diagram”（默认），或 “text”

jupyter 内核如何显示实例本身

• “diagram” = html 框图表示

• “text” = 字符串输出

print_changed_onlybool 类型，默认为 True

打印自身时是否只列出与默认值不同的参数 (False)，或列出所有参数名称和值 (False)。不进行嵌套，即仅影响自身，不影响组件估计器。

warningsstr 类型，“on”（默认），或 “off”

是否发出警告，仅影响来自 sktime 的警告

• “on” = 将发出来自 sktime 的警告

• “off” = 不会发出来自 sktime 的警告

backend:parallelstr 类型，可选，默认为 “None”

广播/向量化时用于并行的后端，可选值之一：

• “None”: 按顺序执行循环，简单的列表推导式

• “loky”, “multiprocessing” 和 “threading”: 使用 joblib.Parallel

• “joblib”: 定制和第三方 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 类型，可选，默认为 {}（不传递参数）

作为 config 传递给并行后端的额外参数。有效键取决于 backend:parallel 的值。

• “None”: 无额外参数，忽略 backend_params

• “loky”, “multiprocessing” 和 “threading”: 默认的 joblib 后端。任何 joblib.Parallel 的有效键都可以传递到此处，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”: 定制和第三方 joblib 后端，例如 spark。任何 joblib.Parallel 的有效键都可以传递到此处，例如 n_jobs，在这种情况下，backend 必须作为 backend_params 的一个键来传递。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”: 一个字典，包含 ray.init 的有效键

  • “shutdown_ray”: bool 类型，默认为 True；设置为 False 可阻止 ray 在并行化后

    关闭。

  • “logger_name”: str 类型，默认为 “ray”；要使用的 logger 的名称。

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

返回:

self对自身的引用。

注意

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。参数键字符串 <component>__<parameter> 可用于复合对象（即包含其他对象的对象），以访问组件 <component> 中的 <parameter>。如果引用明确（例如，没有两个组件参数具有相同的名称 <parameter>），也可以使用不带 <component>__ 的字符串 <parameter>。

参数:

**paramsdict 类型

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（设置参数后）

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

为对象设置 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，保证了种子随机生成器的伪随机独立性。

根据 self_policy 的设置，这适用于自身 (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：即使自身 (self) 没有 random_state 参数，或者任何组件都没有 random_state 参数，此方法也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 对象，即使那些没有 random_state 参数的对象也会被重置。

参数:

random_stateint 类型，RandomState 实例或 None，默认为 None

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

deepbool, default=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，将仅设置自身 (self) 的 random_state 参数（如果存在）。

• 如果为 True，还将设置组件对象中的 random_state 参数。

self_policystr 类型，可选值之一 {“copy”, “keep”, “new”}，默认为 “copy”

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

• “keep” : self.random_state 保持不变

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

该状态派生自输入的 random_state，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。

每个与 scikit-base 兼容的对象都有一个标签字典，用于存储有关对象的元数据。

标签是特定于实例自身 (self) 的键值对，它们是静态标志，在对象构造后不会改变。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，字典值是要设置的标签值。

set_tags 方法应仅在对象的 __init__ 方法中调用，即在构造过程中，或通过 __init__ 构造后直接调用。

当前标签值可以通过 get_tags 或 get_tag 查看。

参数:

**tag_dictdict 类型

标签名 : 标签值对的字典。

返回:

自身

对自身的引用。