MLPRegressor#

class MLPRegressor(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)[source]#

多层感知器网络 (MLP)，如[1]中所述。

改编自 hfawaz 在 hfawaz/dl-4-tsc 中的实现。

参数:

继承的字段是否应在此列出？
n_epochsint, 默认值 = 2000: 训练模型的 epoch 数
batch_sizeint, 默认值 = 16: 每次梯度更新的样本数。
random_stateint 或 None, 默认值=None: 随机数生成的种子。
verbose布尔值, 默认值 = False: 是否输出额外信息
lossstring, 默认值=”mean_squared_error”: Keras 模型的拟合参数
metricsstring 列表, 默认值=[“accuracy”],
activationstring 或 tf callable, 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_bias布尔值, 默认值 = True: 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: fit 方法是否已被调用。

参考文献

[1]

Wang 等，时间序列分类

基于深度神经网络从零开始：一个强大的基线，国际神经网络联合会议 (IJCNN)，2017。

示例

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

方法

`build_model`(input_shape, **kwargs)	构建一个已编译、未训练、准备好进行训练的 Keras 模型。
`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类的实例。
`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，包括来自父类的标签级别继承。
`获取类标签`()	从类中获取类标签，包括来自父类的标签级别继承。
`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, ...])	从实例中获取标签值，包括标签级别继承和覆盖。
`获取标签`()	从实例中获取标签，包括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。
`是否是组合对象`()	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。
`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`(**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、准备好进行训练的 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 (m,d)。转置应发生在拟合 (fit) 中。

参数:

input_shapetuple: 输入层接收的数据形状，应为 (m,d)

返回:

output一个已编译的 Keras 模型

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

返回估计器的测试参数设置。

参数:

parameter_setstr, 默认值=”default”: 返回的测试参数集的名称，用于测试中。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”参数用于通用测试，以及一组“results_comparison”参数，以便在通用集无法生成适合比较的概率时，用于与先前记录的结果进行比较。

返回:

paramsdict 或 dict 列表, 默认值={}: 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（或唯一一个）字典。

check_is_fitted(method_name=None)[source]#

检查估计器是否已拟合。

检查是否存在 _is_fitted 属性且其值为 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()[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 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())。

在值上也等同于调用 self.reset，例外在于 clone 返回一个新对象，而不是像 reset 那样修改 self。

引发:

如果克隆不符合规范，由于 __init__ 存在错误，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 从另一个对象 estimator 设置动态标签覆盖。

clone_tags 方法应仅在对象的 __init__ 方法中调用，即在构造期间或通过 __init__ 直接构造之后。

动态标签被设置为 estimator 中指定名称的标签的值，名称在 tag_names 中指定。

tag_names 的默认行为是将 estimator 中的所有标签写入 self。

可以通过 get_tags 或 get_tag 检查当前标签值。

参数:

estimator:class:BaseObject 或其派生类的实例
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: 对 self 的引用。

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

使用第一个测试参数集构造类的实例。

参数:

parameter_setstr, 默认值=”default”: 返回的测试参数集的名称，用于测试中。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

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

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”: 返回的测试参数集的名称，用于测试中。如果未为某个值定义特殊参数，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 个元素是测试中第 i 个 obj 实例的名称。如果多于一个实例，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“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 Panel scitype 时间序列面板数据容器

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，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 (任意维度，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他受支持的 Panel mtype

mtypes 列表，参见 datatypes.SCITYPE_REGISTER

详细说明，参见 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，详情请参阅标签参考。

ysktime 兼容的 Table scitype 表格数据容器

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。

注意事项

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)[source]#

从类中获取类标签值，包括来自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，仅考虑类级别的标签值和覆盖来检索标签值。

它返回对象中名称为 tag_name 的标签值，考虑了标签覆盖，优先级从高到低如下：

类 _tags 属性中设置的标签。
父类 _tags 属性中设置的标签，

按继承顺序。

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

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]#

从类中获取类标签，包括来自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，仅考虑类级别的标签值和覆盖来检索标签值。

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。

值是对应的标签值，按以下优先级从高到低的顺序进行覆盖：

类 _tags 属性中设置的标签。
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。

要检索可能包含实例覆盖的标签，请改用 get_tags 方法。

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

对于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。不受通过 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，这些配置覆盖了默认配置。

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 调用下会保留。

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 对象属性收集任何覆盖和新标签。

get_fitted_params(deep=True)[source]#

获取已拟合参数。

所需状态: 要求状态为“已拟合”。

参数:

deepbool, 默认值=True

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 类型参数）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。

返回:

fitted_params带有 str 类型键的 dict

拟合参数字典，paramname : paramvalue 键值对包括

始终：此对象的所有拟合参数，通过 get_param_names 获取，值为该键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 的所有参数都以其值显示为 paramname
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 中所有在 __init__ 中定义了默认值的参数。值是默认值，如 __init__ 中所定义。

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)，还是按其在类 __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 __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，包括组件参数（= BaseObject 类型参数）。
如果为 False，将返回此对象的参数名称:值 dict，但不包括组件参数。

返回:

params带有 str 类型键的 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 获取，值为该键的此对象的参数值，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 的所有参数都以其值显示为 paramname
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]#

从实例中获取标签值，包括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，考虑标签覆盖，优先级从高到低如下：

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

类 _tags 属性中设置的标签。
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；默认值=None: 如果未找到标签，则使用默认/备用值
raise_errorbool: 未找到标签时是否引发 ValueError

返回:

tag_valueAny: self 中 tag_name 标签的值。如果未找到，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()[source]#

从实例中获取标签，包括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任何 _tags 属性的键，或通过 set_tags 或 clone_tags 设置的标签。

值是对应的标签值，按以下优先级从高到低的顺序进行覆盖：

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

类 _tags 属性中设置的标签。
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，然后从 _tags_dynamic 对象属性收集任何覆盖和新标签。

is_composite()[source]#

检查对象是否由其他 BaseObjects 组成。

组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的值是 BaseObject 的派生类实例。

property is_fitted[source]#

fit 方法是否已被调用。

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，并在调用对象的 fit 方法时设置为 True。

返回:

bool: 估计器是否已进行 fit 操作。

classmethod load_from_path(serial)[source]#

从文件位置加载对象。

参数:

serialzip 文件名。

返回:

反序列化后的 self，结果输出在 path，与 cls.save(path) 的输出一致。

classmethod load_from_serial(serial)[source]#

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 tuple。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。

返回:

反序列化后的 self，结果输出 serial，与 cls.save(None) 的输出一致。

predict(X) → ndarray[source]#

预测 X 中序列的标签。

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 columns = 变量，index = pd.MultiIndex，第一级 = 实例索引，第二级 = 时间索引
numpy3D: 3D np.array (任意维度，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他受支持的 Panel mtype

mtypes 列表，参见 datatypes.SCITYPE_REGISTER

详细说明，参见 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，详情请参阅标签参考。

返回:

y_predsktime 兼容的 Table scitype 表格数据容器

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），则是 1D np.npdarray；否则，与 fit 中传递的 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。

reset 调用会删除任何对象属性，除了

超参数 = 写入 self 的 __init__ 参数，例如 self.paramname，其中 paramname 是 __init__ 的参数
包含双下划线的对象属性，即字符串“__”。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，在 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，例外在于 reset 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))`` 后获得的对象相等。

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)[source]#

将序列化的 self 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 是文件，则将 zip 文件以该名称存储在该位置。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 - 序列化的历史对象。

参数:

pathNone 或文件位置 (str 或 Path): 如果为 None，self 被保存到内存对象；如果指定文件位置，self 被保存到该文件位置。例如

path=”estimator”，则会在当前工作目录创建 zip 文件 estimator.zip。path=”/home/stored/estimator”，则会在 /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 - 引用该文件的 ZipFile

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

在 X 上评估预测标签与真实标签的得分。

参数:

Xsktime 兼容的时间序列面板数据容器，Panel scitype，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 (任意维度，等长序列)，形状为 [n_instances, n_dimensions, series_length]，或任何其他受支持的 Panel mtype，mtypes 列表请参见 datatypes.SCITYPE_REGISTER，详细说明请参见 examples/AA_datatypes_and_datasets.ipynb
y2D np.array of int，形状为 [n_instances, n_dimensions] - 回归标签: 用于拟合，索引对应于 X 中的实例索引，或 1D np.array of 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 array-like 或 None，默认值=”uniform_average”。定义多个输出分数的聚合方式。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 的 R 方得分。如果 multioutput=”uniform_average” 或 “variance_weighted”，或者 y 是单变量，则为 float；如果 multioutput=”raw_values” 且 y 是多变量，则为 1D np.array

set_config(**config_dict)[source]#

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 self 的实例

“diagram” = html 框图表示
“text” = 字符串打印输出

print_changed_onlybool, 默认值=True

打印 self 时是只列出与默认值不同的 self 参数 (False)，还是列出所有参数名称和值 (False)。不嵌套，即仅影响 self，不影响组件估计器。

warningsstr, “on” (默认), 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，以下之一

“None”: 按顺序执行循环，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, 默认值={} (未传递参数)

作为配置传递给并行化后端的额外参数。有效键取决于 backend:parallel 的值

“None”: 没有额外参数，忽略 backend_params
“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，例外是 backend 由 backend 直接控制。如果未传递 n_jobs，将默认为 -1，其他参数将使用 joblib 默认值。
“joblib”: 自定义和第三方 joblib 后端，例如 spark。此处可以传递 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，将默认为 -1，其他参数将使用 joblib 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, 默认值=True；False 防止 ray 在
  并行化后关闭。
- “logger_name”: str, 默认值=”ray”；要使用的日志记录器名称。
- “mute_warnings”: bool, 默认值=False；如果为 True，则抑制警告

返回:

self对 self 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)[source]#

设置此对象的参数。

此方法适用于简单的 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）来访问组件 <component> 中的 <parameter>。如果这样引用清晰无歧义（例如，没有两个组件参数名称相同），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 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，并通过 set_params 将它们设置为从 random_state 导出的整数。这些整数通过 sample_dependent_seed 通过链式哈希采样，保证种子随机生成器的伪随机独立性。

适用于 self 中的 random_state 参数（取决于 self_policy），以及剩余的组件对象（当且仅当 deep=True 时）。

注意：即使 self 没有 random_state 参数，或组件中没有任何参数名为 random_state，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 对象，即使是没有 random_state 参数的对象。

参数:

random_stateint, RandomState 实例或 None, 默认值=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。

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，仅设置 self 的 random_state 参数（如果存在）。
如果为 True，也会在组件对象中设置 random_state 参数。

self_policystr, 以下之一：{“copy”, “keep”, “new”}, 默认值=”copy”

“copy” : 将 self.random_state 设置为输入的 random_state
“keep” : 保持 self.random_state 不变
“new” : 将 self.random_state 设置为一个新的随机状态，

从输入的 random_state 导出，通常与它不同

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 self 的键值对，它们是对象构造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__ 方法中调用，即在构造期间或通过 __init__ 直接构造之后。

可以通过 get_tags 或 get_tag 检查当前标签值。

参数:

**tag_dictdict: 标签名称: 标签值对的字典。

返回:

Self: 对 self 的引用。