ResNetRegressor

class ResNetRegressor(n_epochs=1500, callbacks=None, verbose=False, loss='mean_squared_error', metrics=None, batch_size=16, random_state=None, activation='linear', use_bias=True, optimizer=None)

残差神经网络回归器，改编自 [1]。

改编自 hfawaz 在 hfawaz/dl-4-tsc 中的实现

参数:

n_epochsint, 默认值 = 1500

模型训练的 epoch 数量

batch_sizeint, 默认值 = 16

每个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

optimizerkeras.optimizer, 默认值=keras.optimizers.Adam(),

metricsstring 列表, 默认值=[“mean_squared_error”],

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

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

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。

从头开始训练深度神经网络：一个强大的基线，国际神经网络联合会议 (IJCNN)，2017。

示例

>>> from sktime.regression.deep_learning.resnet import ResNetRegressor
>>> from sktime.datasets import load_unit_test
>>> X_train, y_train = load_unit_test(split="train")
>>> clf = ResNetRegressor(n_epochs=20, batch_size=4) 
>>> clf.fit(X_train, Y_train) 
ResNetRegressor(...)

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])	检查评估器是否已 fitted。
clone()	获取具有相同超参数和配置的对象克隆。
clone_tags(estimator[, tag_names])	将另一个对象的标签克隆为动态覆盖。
create_test_instance([parameter_set])	使用第一个测试参数集构建类的实例。
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 fitted 到训练数据。
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 self 的配置标志。
get_fitted_params([deep])	获取 fitted 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，并继承标签级别和覆盖。
get_tags()	从实例中获取标签，并继承标签级别和覆盖。
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])	将序列化的 self 保存到类字节对象或 (.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 self 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 (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已编译的 Keras 模型

classmethod get_test_params(parameter_set='default')

返回评估器的测试参数设置。

参数:

parameter_setstr, 默认值=”default”

要返回的测试参数集的名称，用于测试。如果某个值未定义特殊参数，则返回 "default" 集。对于分类器，应提供“default”参数集用于一般测试，如果一般集未生成合适的概率进行比较，则提供“results_comparison”集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 都是用于构建“有趣的”测试实例的参数，例如 MyClass(**params) 或 MyClass(**params[i]) 会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 fitted。

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，则抛出 NotFittedError 异常。

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。

抛出异常:

NotFittedError

如果评估器尚未 fitted。

clone()

获取具有相同超参数和配置的对象克隆。

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

等同于构造 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，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，但 clone 返回一个新对象，而不是像 reset 那样修改 self。

抛出异常:

如果克隆不符合规范，则抛出 RuntimeError 异常，原因可能是 __init__ 存在问题。

clone_tags(estimator, tag_names=None)

将另一个对象的标签克隆为动态覆盖。

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，它们是对象构建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__ 构造之后直接调用。

动态标签设置为 estimator 中标签的值，名称由 tag_names 指定。

tag_names 的默认行为是将 estimator 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 的所有标签。

返回:

self

self 的引用。

classmethod create_test_instance(parameter_set='default')

使用第一个测试参数集构建类的实例。

参数:

parameter_setstr, 默认值=”default”

要返回的测试参数集的名称，用于测试。如果某个值未定义特殊参数，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')

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的名称，用于测试。如果某个值未定义特殊参数，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，长度与 objs 相同

第 i 个元素是测试中第 i 个 obj 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 fitted 到训练数据。

状态更改

将状态更改为“fitted”。

写入 self

将 self.is_fitted 设置为 True。设置以“_”结尾的 fitted 模型属性。

参数:

X与 sktime 兼容的时间序列面板数据容器，Panel scitype 类型

用于 fitted 评估器的时间序列。

可以是 Panel scitype 的任何 mtype，例如

• pd-multiindex: pd.DataFrame，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

mtypes 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有评估器都支持包含多变量或不等长序列的面板，详情请参阅标签参考。

y与 sktime 兼容的表格数据容器，Table scitype 类型

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 fitting 的类标签 0 索引对应于 X 中的实例索引 1 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:

selfself 的引用。

注意

通过创建 fitted 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，并继承父类的标签级别。

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值。

它返回对象中名称为 tag_name 的标签值，考虑标签覆盖，优先级从高到低依次为：

1. 在类的 _tags 属性中设置的标签。

2. 在父类 _tags 属性中设置的标签，

按继承顺序。

不考虑通过实例上定义的 set_tags 或 clone_tags 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，则使用的默认/回退值。

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()

从类中获取类标签，并继承父类的标签级别。

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，它们是对象构建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值。

它返回一个字典，其键是在类或其任何父类中设置的 _tags 的任何属性的键。

值是对应的标签值，覆盖优先级从高到低依次为：

1. 在类的 _tags 属性中设置的标签。

2. 在父类 _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。

不考虑通过实例上定义的 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。不被通过 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态标志。

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 设置的动态配置覆盖。

配置在调用 clone 或 reset 时保留。

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 对象属性中收集任何覆盖和新标签。

get_fitted_params(deep=True)

获取 fitted 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 fitted 参数。

• 如果为 True，将返回此对象的参数名称:值字典，包括可 fitted 组件（= BaseEstimator 类型参数）的 fitted 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 fitted 参数。

返回:

fitted_params带有 str 类型键的 dict

fitted 参数字典，paramname : paramvalue 键值对包括

• 总是：此对象的所有 fitted 参数，如通过 get_param_names 获取；值是此对象该键的 fitted 参数值

• 如果 deep=True，还包含组件参数的键/值对；组件参数的索引格式为 [componentname]__[paramname]；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

classmethod 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。值是在 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)

获取对象的参数名称。

参数:

sortbool, 默认值=True

是否按字母顺序排序返回参数名称 (True)，或按它们在类 __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，顺序与它们在类 __init__ 中出现的顺序相同。如果 sort=True，则按字母顺序排序。

get_params(deep=True)

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 类型参数）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带有 str 类型键的 dict

参数字典，paramname : paramvalue 键值对包括

• 总是：此对象的所有参数，如通过 get_param_names 获取；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，还包含组件参数的键/值对；组件参数的索引格式为 [componentname]__[paramname]；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)

从实例中获取标签值，并继承标签级别和覆盖。

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，它们是对象构建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，优先级从高到低依次为：

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

在实例构造时。

2. 在类的 _tags 属性中设置的标签。

3. 在父类 _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，则使用的默认/回退值

raise_errorbool

未找到标签时是否抛出 ValueError 异常

返回:

tag_valueAny

self 中 tag_name 标签的值。如果未找到，并且 raise_error 为 True，则抛出异常，否则返回 tag_value_default。

抛出异常:

ValueError，如果 raise_error 为 True。

如果 tag_name 不在 self.get_tags().keys() 中，则抛出 ValueError。

get_tags()

从实例中获取标签，并继承标签级别和覆盖。

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，它们是对象构建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，或者通过 set_tags 或 clone_tags 设置的标签。

值是对应的标签值，覆盖优先级从高到低依次为：

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

在实例构造时。

2. 在类的 _tags 属性中设置的标签。

3. 在父类 _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 对象属性中收集任何覆盖和新标签。

is_composite()

检查对象是否由其他 BaseObjects 组成。

复合对象是指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

是否已调用 fit。

检查对象的 _is_fitted` 属性，该属性在对象构建期间应初始化为 ``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。

classmethod load_from_path(serial)

从文件位置加载对象。

参数:

serialzip 文件的名称。

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)

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:

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

predict(X) → ndarray

预测 X 中序列的标签。

参数:

X与 sktime 兼容的时间序列面板数据容器，Panel scitype 类型

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 = 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

mtypes 列表，请参阅 datatypes.SCITYPE_REGISTER

有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

并非所有评估器都支持包含多变量或不等长序列的面板，详情请参阅标签参考。

返回:

y_pred与 sktime 兼容的表格数据容器，Table scitype 类型

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 索引对应于 X 中的实例索引，1 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。

调用 reset 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__ 的一个参数

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

• 配置属性，配置会保留不变。也就是说，reset 前后的 get_config 结果相同。

类和对象方法，以及类属性也不会受到影响。

等同于 clone，但 reset 会修改 self，而不是返回一个新对象。

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

将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)

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，则将 zip 文件以该名称存储在该位置。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方式 (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 将保存到内存对象；如果为文件位置，self 将保存到该文件位置。例如

path=”estimator”，则将在当前工作目录创建 zip 文件 estimator.zip。path=”/home/stored/estimator”，则将在 /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 为文件位置 - 引用文件的 ZipFile

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:

X与 sktime 兼容的时间序列面板数据容器，Panel scitype 类型，例如

pd-multiindex: pd.DataFrame，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 mtypes 列表，请参阅 datatypes.SCITYPE_REGISTER 有关规范，请参阅 examples/AA_datatypes_and_datasets.ipynb

y2D np.array of int，形状为 [n_instances, n_dimensions] - 回归标签

用于 fitting 的索引对应于 X 中的实例索引 或 1D np.array of int，形状为 [n_instances] - 用于 fitting 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”。定义如何聚合多个输出分数。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) 对 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

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 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 时是否仅列出与默认值不同的 self 参数 (False)，或列出所有参数名称和值 (False)。不嵌套，即仅影响 self，不影响组件评估器。

warningsstr, “on” (默认), 或 “off”

是否抛出警告，仅影响来自 sktime 的警告

• “on” = 将抛出来自 sktime 的警告

• “off” = 将不会抛出来自 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”: 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额外参数。有效键取决于 backend:parallel 的值

• “None”: 无额外参数，backend_params 被忽略

• “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 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。backend 在此情况下必须作为 backend_params 的键传递。如果未传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 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 logger 名称。

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

返回:

selfself 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。

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>。如果不带 <component>__ 的字符串 <parameter> 能使引用明确，例如没有两个组件参数同名 <parameter>，则也可以使用此形式。

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:

selfself 的引用（参数设置后）

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

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 派生的整数。这些整数通过 sample_dependent_seed 从链式哈希中采样，并保证设定种子的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，以及当且仅当 deep=True 时应用于剩余的组件对象。

注意：即使 self 没有 random_state，或者没有组件有 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, 默认值 None

用于控制随机整数生成的伪随机数生成器。传入 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 对象的参数中设置随机状态，即组件估计器。

• 如果为 False，则仅设置 self 的 random_state 参数（如果存在）。

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

self_policystr, 取值范围 {"copy", "keep", "new"} 之一, 默认值 "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，通常与输入不同

返回:

self对 self 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 self 的键值对，它们是静态标志，在对象构建后不会改变。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，即构建期间，或通过 __init__ 构建后直接调用。

当前标签值可以通过 get_tags 或 get_tag 查看。

参数:

**tag_dictdict

标签名: 标签值 对的字典。

返回:

Self

对 self 的引用。