MCDCNNRegressor#

class MCDCNNRegressor(n_epochs=120, batch_size=16, kernel_size=5, pool_size=2, filter_sizes=(8, 8), dense_units=732, conv_padding='same', pool_padding='same', loss='mean_squared_error', activation='linear', use_bias=True, callbacks=None, metrics=None, optimizer=None, verbose=False, random_state=0)[source]#

多通道深度卷积神经网络回归器，改编自 [1]。

改编自 Fawaz 等人的实现 hfawaz/dl-4-tsc

参数:

n_epochsint，可选（默认值=120）: 训练模型的 epoch 数量。
batch_sizeint，可选（默认值=16）: 每次梯度更新的样本数量。
kernel_sizeint，可选（默认值=5）: Conv1D 层中的核大小。
pool_sizeint，可选（默认值=2）: (Max) 池化层中的核大小。
filter_sizestuple，可选（默认值=(8, 8)）: 块中每个 Conv1D 对应的 Conv1D 层的滤波器大小。
dense_unitsint，可选（默认值=732）: 此网络中最终 Dense 层的输出单元数量。这不是最终层，而是倒数第二层。
conv_paddingstr 或 None，可选（默认值=”same”）: 应用于卷积层的填充类型。
pool_paddingstr 或 None，可选（默认值=”same”）: 应用于池化层的填充类型。
lossstr，可选（默认值=”mean_squared_error”）: 训练期间使用的损失函数名称，应由 keras 支持。
activationstr，可选（默认值=”linear”）: 应用于输出层的激活函数。
use_biasbool，可选（默认值=True）: 输出层是否应包含偏置。
metricsNone 或 string，可选（默认值=None）: 模型编译期间使用的字符串。如果留空，则将“mean_squared_error”传递给 model.compile()。
optimizer: None 或 keras.optimizers.Optimizer 实例，可选（默认值=None）: 用于模型编译的优化器。如果留空，则使用带有以下参数的 keras.optimizers.SGD：learning_rate=0.01, momentum=0.9, weight_decay=0.0005。
callbacksNone 或 keras.callbacks.Callback 列表，可选（默认值=None）: 训练期间使用的回调函数。
random_stateint，可选（默认值=0）: 用于任何随机操作的种子。

属性:

is_fitted: 是否已调用 fit。

参考文献

[1]

Zheng et. al, Time series classification using multi-channels deep convolutional neural networks, International Conference on Web-Age Information Management, Pages 298-310, year 2014, organization: Springer.

示例

>>> from sktime.regression.deep_learning.mcdcnn import MCDCNNRegressor
>>> from sktime.datasets import load_unit_test
>>> X_train, y_train = load_unit_test(split="train")
>>> mcdcnn = MCDCNNRegressor(n_epochs=1, kernel_size=4) 
>>> mcdcnn.fit(X_train, y_train) 
MCDCNRegressor(...)

方法

`build_model`(input_shape, **kwargs)	构建一个已编译、未训练的 keras 模型，该模型已准备好进行训练。
`check_is_fitted`([method_name])	检查估计器是否已拟合。
`克隆`()	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该类的一个实例。
`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，并继承父类的标签级别。
`获取类标签`()	从类获取类标签，并继承父类的标签级别。
`获取配置`()	获取 self 的配置标志。
`get_fitted_params`([deep])	获取已拟合参数。
`获取参数默认值`()	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，并继承标签级别和覆盖。
`获取标签`()	从实例获取标签，并继承标签级别和覆盖。
`get_test_params`([parameter_set])	返回 skbase 对象的测试参数设置。
`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) → ndarray	用于预测标签的时间序列。
`重置`()	将对象重置为干净的初始化后状态。
`save`([path])	将序列化的 self 保存到类字节对象或 (.zip) 文件。
`score`(X, y[, multioutput])	评估 X 上预测标签与真实标签之间的分数。
`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 self 设置 random_state 伪随机种子参数。
`set_tags`(**tag_dict)	将实例级标签覆盖设置为给定值。

build_model(input_shape, **kwargs)[source]#

构建一个已编译、未训练的 keras 模型，该模型已准备好进行训练。

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 中进行。

参数:

input_shapetuple: 输入层馈入的数据形状，应为 (m,d)

返回:

output一个已编译的 Keras Model

check_is_fitted(method_name=None)[source]#

检查估计器是否已拟合。

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，则抛出 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。

抛出:

NotFittedError: 如果估计器尚未拟合。

clone()[source]#

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 self 的 sklearn.clone。

等同于构造 type(self) 的一个新实例，使用 self 的参数，即 type(self)(**self.get_params(deep=False))。

如果在 self 上设置了配置，则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 那样改变 self。

抛出:

如果克隆不符合要求（由于 __init__ 错误），则引发 RuntimeError。

clone_tags(estimator, tag_names=None)[source]#

从另一个对象克隆标签作为动态覆盖。

每个兼容 scikit-base 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，它们是静态标志，在对象构造后不会改变。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

此方法应仅在对象的 __init__ 方法中调用，即在构造期间或通过 __init__ 直接构造后调用。

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 进行检查。

参数:

estimator:class:BaseObject 或派生类的一个实例
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。

返回:

self: self 的引用。

classmethod create_test_instance(parameter_set='default')[source]#

使用第一个测试参数集构造该类的一个实例。

参数:

parameter_setstr，默认值=”default”: 要返回的测试参数集名称，用于测试。如果未为某个值定义特殊参数，则返回 “default” 集。

返回:

instance具有默认参数的类实例

classmethod create_test_instances_and_names(parameter_set='default')[source]#

创建所有测试实例及其名称列表。

参数:

parameter_setstr，默认值=”default”: 要返回的测试参数集名称，用于测试。如果未为某个值定义特殊参数，则返回 “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 个元素是测试中 obj 的第 i 个实例的名称。如果实例多于一个，则命名约定为 {cls.__name__}-{i}，否则为 {cls.__name__}。

fit(X, y)[source]#

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”。
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 Panel scitype 时间序列面板数据容器

要将估计器拟合到的时间序列。

可以是 Panel scitype 的任何 mtype，例如

pd-multiindex: pd.DataFrame，其中列 = 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，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量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 self 的引用。

注意

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)[source]#

从类获取类标签值，并继承父类的标签级别。

每个兼容 scikit-base 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，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 的标签值，考虑到标签覆盖，按以下降序优先级排列

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

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。

要检索具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_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()[source]#

从类获取类标签，并继承父类的标签级别。

每个兼容 scikit-base 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，它们是静态标志，在对象构造后不会改变。

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。

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，按以下降序优先级排列覆盖

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序排列。

实例可以根据超参数覆盖这些标签。

要检索具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()[source]#

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，并被通过 set_config 设置的动态配置覆盖。

配置在 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，然后从 _onfig_dynamic 对象属性中获取任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

获取已拟合参数。

所需状态: 要求状态为“fitted”。

参数:

deepbool，默认值=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（= 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。

返回:

fitted_params键为 str 类型的 dict

已拟合参数字典，paramname : paramvalue 键值对包括

始终：此对象的所有已拟合参数，通过 get_param_names 方式获取。值是此对象该键对应的已拟合参数值
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 的形式及其值出现
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()[source]#

获取对象的参数默认值。

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)[source]#

获取对象的参数名称。

参数:

sortbool，默认值=True: 是按字母顺序返回参数名称（True），还是按它们在类的 __init__ 中出现的顺序返回（False）。

返回:

param_names: list[str]: cls 的参数名称列表。如果 sort=False，则顺序与它们在类的 __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)[source]#

获取此对象的参数值字典。

参数:

deepbool，默认值=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。
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，paramname : paramvalue 键值对包括

始终：此对象的所有参数，通过 get_param_names 方式获取。值是此对象该键对应的参数值，值始终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。组件的参数索引为 [componentname]__[paramname]。componentname 的所有参数都以 paramname 的形式及其值出现
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)[source]#

从实例获取标签值，并继承标签级别和覆盖。

每个兼容 scikit-base 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，它们是静态标志，在对象构造后不会改变。

get_tag 方法从实例中检索名称为 tag_name 的单个标签值，考虑到标签覆盖，按以下降序优先级排列

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时设置。

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序排列。

参数:

tag_namestr: 要检索的标签名称
tag_value_default任意类型，可选；默认值=None: 如果未找到标签，则为默认/备用值
raise_errorbool: 未找到标签时是否抛出 ValueError

返回:

tag_valueAny: 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。

抛出:

ValueError，如果 raise_error 为 True。: 如果 tag_name 不在 self.get_tags().keys() 中，则抛出 ValueError。

get_tags()[source]#

从实例获取标签，并继承标签级别和覆盖。

每个兼容 scikit-base 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，它们是静态标志，在对象构造后不会改变。

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，按以下降序优先级排列覆盖

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时设置。

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序排列。

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。

classmethod get_test_params(parameter_set='default')[source]#

返回 skbase 对象的测试参数设置。

get_test_params 是一个统一的接口点，用于存储测试目的的参数设置。此函数也用于 create_test_instance 和 create_test_instances_and_names 来构造测试实例。

get_test_params 应返回单个 dict，或 dict 的 list。

每个 dict 都是用于测试的参数配置，可用于构造一个“有趣的”测试实例。对于 get_test_params 返回值中的所有字典 params，调用 cls(**params) 应该有效。

get_test_params 不一定返回固定的字典列表，它也可以返回动态或随机的参数设置。

参数:

parameter_setstr，默认值=”default”: 要返回的测试参数集名称，用于测试。如果未为某个值定义特殊参数，则返回 “default” 集。

返回:

paramsdict 或 dict 列表，默认值 = {}: 用于创建类的测试实例的参数。每个 dict 都是构造一个“有趣的”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

is_composite()[source]#

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: 对象的任何参数的值是否是 BaseObject 的后代实例。

property is_fitted[source]#

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: 估计器是否已 fit。

classmethod load_from_path(serial)[source]#

从文件位置加载对象。

参数:

serialzip 文件名称。

返回:

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

classmethod load_from_serial(serial)[source]#

从序列化的内存容器加载对象。

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() 历史记录。

返回:

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

predict(X) → ndarray

用于预测标签的时间序列。

参数:

Xsktime 兼容的 Panel scitype 时间序列面板数据容器

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，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量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]。

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 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()[source]#

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 设置的配置值也会保留。

一个 reset 调用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__ 的一个参数
包含双下划线的对象属性，即字符串“__”。例如，名称为“__myattr”的属性会被保留。
配置属性，配置会保留不变。也就是说，在 reset 前后 get_config 的结果是相同的。

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 改变 self 而不是返回一个新对象。

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))`` 后获得的对象相同。

返回:

self: 类的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)[source]#

将序列化的 self 保存到类字节对象或 (.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 是文件，则在该位置存储名为该名称的 zip 文件。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中。history - 序列化的历史记录对象。

参数:

pathNone 或文件位置（str 或 Path）: 如果为 None，则将 self 保存到内存对象；如果是文件位置，则将 self 保存到该文件位置。例如

path=”estimator” 则会在当前工作目录创建一个 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 - 内存中的序列化 self
如果 path 为文件位置 - 引用文件的 ZipFile

score(X, y, multioutput='uniform_average') → float[source]#

评估 X 上预测标签与真实标签之间的分数。

参数:

Xsktime 兼容的时间序列面板数据容器，Panel scitype，例如：: pd-multiindex: 列为变量的 pd.DataFrame，索引为 pd.MultiIndex，第一层为实例索引，第二层为时间索引 numpy3D: 形状为 [n_instances, n_dimensions, series_length] 的 3D np.array（任意维数，等长序列）或任何其他支持的 Panel mtype，有关 mtype 列表，请参阅 datatypes.SCITYPE_REGISTER，有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb
y形状为 [n_instances, n_dimensions] 的 2D np.array（整数） - 回归标签: 用于拟合，索引对应于 X 中的实例索引；或形状为 [n_instances] 的 1D np.array（整数） - 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分数。array-like 值定义了用于平均分数的权重。

返回:

float（默认）或形状为 1D 的 float np.array: 预测值 predict(X) 与 y 的 R 方分数。如果 multioutput="uniform_average" 或 "variance_weighted"，或者 y 是单变量的，则返回 float；如果 multioutput="raw_values" 且 y 是多变量的，则返回 1D np.array。

set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数:

config_dictdict

config 名称与 config 值对的字典。有效的 config、值及其含义如下所示

displaystr，“diagram”（默认）或“text”

jupyter 内核如何显示 self 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 self 时是否只列出与默认值不同的 self 参数 (False)，或者列出所有参数名称和值 (False)。不进行嵌套，即只影响 self，不影响组件估计器。

warningsstr，“on”（默认）或“off”

是否触发警告，仅影响来自 sktime 的警告

“on” = 将触发来自 sktime 的警告
“off” = 不会触发来自 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，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，需要环境中安装 dask 包
“ray”：使用 ray，需要环境中安装 ray 包

backend:parallel:paramsdict，可选，默认为 {}（不传递参数）

作为 config 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，任何 joblib.Parallel 的有效键都可以在这里传递，例如 n_jobs，但 backend 除外，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。
“joblib”：自定义和第三方 joblib 后端，例如 spark。任何 joblib.Parallel 的有效键都可以在这里传递，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，它将默认为 -1，其他参数将默认为 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 的有效键的字典
- “shutdown_ray”：bool，默认为 True；False 可防止 ray 在并行化后关闭。
  关闭。
- “logger_name”：str，默认为“ray”；要使用的记录器的名称。
- “mute_warnings”：bool，默认为 False；如果为 True，则抑制警告。

返回:

self对 self 的引用。

注意

改变对象状态，将 config_dict 中的 config 复制到 self._config_dynamic。

set_params(**params)[source]#

设置此对象的参数。

此方法适用于简单的 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，没有两个组件参数同名 <parameter>），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。__ 后缀如果其别名在 get_params 键中唯一，则可作为完整字符串的别名。

返回:

self对 self 的引用（设置参数后）

set_random_state(random_state=None, deep=True, self_policy='copy')[source]#

为 self 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，并使用通过链式哈希从 random_state 派生出的整数通过 set_params 进行设置。这些整数通过 sample_dependent_seed 进行采样，保证了 seeded 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，当且仅当 deep=True 时应用于其余组件对象。

注意：即使 self 没有 random_state 参数，或者没有组件有 random_state 参数，也会调用 set_params。因此，set_random_state 会重置任何 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

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

deepbool，默认值=True

是否在值为 skbase 对象的参数（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，则也会在组件对象中设置 random_state 参数。

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

“copy” : self.random_state 设置为输入的 random_state
“keep” : self.random_state 保持原样
“new” : self.random_state 设置为新的随机状态，

派生自输入的 random_state，并且通常与输入不同。

返回:

self对 self 的引用

set_tags(**tag_dict)[source]#

将实例级标签覆盖设置为给定值。

每个兼容 scikit-base 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 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，字典值是要设置的标签值。

set_tags 方法只能在对象的 __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:

Self: 对 self 的引用。