SimpleRNNRegressor#

class SimpleRNNRegressor(n_epochs=100, batch_size=1, units=6, callbacks=None, add_default_callback=True, random_state=0, verbose=False, loss='mean_squared_error', metrics=None, activation='linear', use_bias=True, optimizer=None)[source]#

简单循环神经网络。

参数：
n_epochsint, 默认值 = 100

模型训练的轮数

batch_sizeint, 默认值 = 1

每次梯度更新的样本数量。

unitsint, 默认值 = 6

网络中的单元数量

callbackslist of tf.keras.callbacks.Callback objects, 默认值 = None
add_default_callbackbool, 默认值 = True

是否添加默认回调

random_stateint 或 None, 默认值=0

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 模型拟合参数

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

用于拟合神经网络的指标

activationstring or a tf callable, 默认值=”linear”

输出层使用的激活函数。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 object, 默认值 = RMSprop(lr=0.001)

指定要使用的优化器和学习率。

属性：
is_fitted

是否已调用 fit。

参考

..[1] M4 预测竞赛中的基准预测器：Mcompetitions/M4-methods

示例

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

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])

检查估计器是否已拟合。

clone()

获取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实例。

create_test_instances_and_names([parameter_set])

创建所有测试实例列表及其名称列表。

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，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，并考虑标签级别的继承和覆盖。

get_tags()

从实例获取标签，并考虑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)

从序列化内存容器加载对象。

predict(X) → ndarray

预测 X 中序列的标签。

reset()

将对象重置到初始状态后的干净状态。

save([path])

将序列化对象保存到字节类对象或 (.zip) 文件。

score(X, y[, multioutput])

评估 X 上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, ...])

设置对象的 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)[source]#

构建一个已编译、未训练、可用于训练的 keras 模型。

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”

要返回的测试参数集名称，用于测试。如果未定义特定值，将返回 "default" 集。分类器的保留值包括

“results_comparison” - 用于某些分类器的身份测试

应包含与“TSC bakeoff”相当的参数设置

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 都是用于构建一个“有趣”测试实例的参数，即 MyClass(**params) 或 MyClass(**params[i]) 创建一个有效测试实例。 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 _is_fitted 属性是否存在且为 True。在调用对象的 fit 方法时，应将 is_fitted 属性设置为 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。

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克隆。

克隆是另一个没有共享引用、处于初始化后状态的对象。此函数等同于返回 self 的 sklearn.clone。

等同于构建 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。

抛出：
如果克隆不符合规范，则由于 __init__ 存在错误而引发 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 scikit-base 兼容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，它们是在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，即在构建期间或通过 __init__ 构建后直接调用。

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

tag_names 的默认值将 estimator 中的所有标签写入 self。

当前标签值可通过 get_tags 或 get_tag 查看。

参数：
estimator:class:BaseObject 或派生类的实例
tag_namesstr 或 list of str, 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建类的实例。

参数：
parameter_setstr, 默认值=”default”

要返回的测试参数集名称，用于测试。如果未定义特定值，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]#

创建所有测试实例列表及其名称列表。

参数：
parameter_setstr, 默认值=”default”

要返回的测试参数集名称，用于测试。如果未定义特定值，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 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)[source]#

将时间序列回归器拟合到训练数据。

状态变更

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：
XPanel scitype 的 sktime 兼容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，列 = 变量，索引 = pd.MultiIndex，第一级 = 实例索引，第二级 = 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

mtype 列表，请参见 datatypes.SCITYPE_REGISTER

规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详见标签参考。

ysktime 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] 用于拟合的类标签 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：
self对 self 的引用。

注意

通过创建一个已拟合的模型来更改状态，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，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，用于存储对象的元数据。

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。

它从对象中返回名称为 tag_name 的标签值，并按以下降序优先级考虑标签覆盖：

  1. 类中 _tags 属性中设置的标签。

  2. 父类中 _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，则使用的默认/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，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，它们是在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 _tags 的任何属性的键。

值是相应的标签值，按以下降序优先级考虑覆盖：

  1. 类中 _tags 属性中设置的标签。

  2. 父类中 _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。

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。不受通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[source]#

获取对象的配置标志。

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，该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 设置的动态配置进行覆盖。

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：值的字典，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：值的字典，但不包括组件的拟合参数。

返回：
fitted_params具有 str 类型键的 dict

已拟合参数的字典，包括 paramname : paramvalue 键值对

  • 始终：此对象的所有拟合参数，通过 get_param_names 获取，值是此对象该键的拟合参数值

  • 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

classmethod get_param_defaults()[source]#

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 __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

是否按字母顺序返回参数名称 (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，则与它们在类 __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：值的 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：值的 dict，但不包括组件的参数。

返回：
params具有 str 类型键的 dict

参数字典，包括 paramname : paramvalue 键值对

  • 始终：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，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)[source]#

从实例获取标签值，并考虑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，它们是在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 的单个标签值，并按以下降序优先级考虑标签覆盖：

  1. 通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

  1. 类中 _tags 属性中设置的标签。

  2. 父类中 _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/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，若 raise_error 为 True，则引发错误，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，并考虑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，它们是在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，或者通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，按以下降序优先级考虑覆盖：

  1. 通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

  1. 类中 _tags 属性中设置的标签。

  2. 父类中 _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 BaseObject 组成。

复合对象是一个包含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

估计器是否已 拟合。

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[source]#

预测 X 中序列的标签。

参数：
XPanel scitype 的 sktime 兼容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，列 = 变量，索引 = pd.MultiIndex，第一级 = 实例索引，第二级 = 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

mtype 列表，请参见 datatypes.SCITYPE_REGISTER

规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多元或不等长序列的面板，详见标签参考。

返回：
y_predsktime 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。

1D np.npdarray，如果 y 是单变量（一维）；否则，与 fit 中传入的 y 类型相同

reset()[source]#

将对象重置到初始状态后的干净状态。

结果是将 self 设置为构造函数调用后直接处于的状态，具有相同的超参数。通过 set_config 设置的配置值也会保留。

reset 调用会删除所有对象属性，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，配置保持不变。也就是说，reset 前后的 get_config 结果相等。

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))`` 后获得的对象相等。

返回：
self

类实例重置到初始化后的干净状态，但保留当前超参数值。

save(path=None)[source]#

将序列化对象保存到字节类对象或 (.zip) 文件。

行为：如果 path 为 None，则返回内存中的序列化对象；如果 path 是一个文件，则在该位置存储同名 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 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” 则在当前工作目录创建 zip 文件 estimator.zip。path=”/home/stored/estimator” 则在 /home/stored/ 目录下存储 zip 文件 estimator.zip。

返回：
如果 path 为 None - 则是在内存中序列化对象自身
如果 path 是文件位置 - ZipFile 对象，引用该文件
score(X, y, multioutput='uniform_average') → float[source]#

评估 X 上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 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 (任意维数，等长序列) 形状为 [n_instances, n_dimensions, series_length] 或任何其他支持的 Panel mtype 有关 mtype 列表，请参见 datatypes.SCITYPE_REGISTER 有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

y形状为 [n_instances, n_dimensions] 的 2D np.array (int 类型) - 回归标签

用于拟合的索引对应于 X 中的实例索引 或 形状为 [n_instances] 的 1D np.array (int 类型) - 用于拟合的回归标签对应于 X 中的实例索引

multioutputstr，可选 (默认值 = ”uniform_average”)

{“raw_values”, “uniform_average”, “variance_weighted”}，形如 (n_outputs,) 的数组或 None，默认值 = ”uniform_average”。定义了多个输出分数的聚合方式。类数组值定义了用于平均分数的权重。

返回：
float (默认值) 或 1D np.array (float 类型)

predict(X) 与 y 之间的 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)[source]#

将配置标志设置为给定值。

参数：
config_dictdict

配置名称 : 配置值的字典。下面列出了有效的配置、值及其含义

displaystr， “diagram” (默认值)，或 “text”

jupyter 内核如何显示对象实例

  • “diagram” = html 盒状图表示

  • “text” = 字符串打印输出

print_changed_onlybool，默认值=True

打印对象时是否仅列出与默认值不同的参数 (False)，或列出所有参数名称和值 (False)。不嵌套，即仅影响对象自身而不影响组件估计器。

warningsstr， “on” (默认值)，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” = 将不触发来自 sktime 的警告

backend:parallelstr，可选，默认值=”None”

在广播/向量化时用于并行化的后端，可选项之一：

  • “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”：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”：没有附加参数，backend_params 被忽略

  • “loky”, “multiprocessing” 和 “threading”：默认的 joblib 后端 任何 joblib.Parallel 的有效键都可以在此传递，例如 n_jobs，除了 backend，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 的有效键都可以在此传递，例如 n_jobs。backend 在这种情况下必须作为 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 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 会阻止 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对对象自身的引用。

注意

更改对象状态，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），以访问组件 <component> 中的 <parameter>。如果引用清晰无歧义，例如组件中没有两个参数同名 <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。__ 后缀可以作为完整字符串的别名，前提是在 get_params 键中唯一。

返回：
self对对象自身的引用 (参数设置后)
set_random_state(random_state=None, deep=True, self_policy='copy')[source]#

设置对象的 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 将它们设置为从输入的 random_state 派生的整数。这些整数通过 sample_dependent_seed 进行链式哈希采样，保证了种子随机生成器的伪随机独立性。

根据 self_policy 应用于对象自身的 random_state 参数，并且仅当 deep=True 时应用于其余组件对象。

注意：即使对象自身没有 random_state 参数，或没有任何组件具有 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。传递 int 以在多次函数调用中获得可重现的输出。

deepbool, 默认值=True

是否在 skbase 对象值参数（即组件估计器）中设置随机状态。

  • 如果为 False，则仅设置对象自身的 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”}，默认值=”copy”

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

  • “keep”：self.random_state 保持不变

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

从输入的 random_state 派生，通常与它不同

返回：
self对对象自身的引用
set_tags(**tag_dict)[source]#

将实例级别的标签覆盖设置为给定值。

每个 scikit-base 兼容对象都有一个标签字典，用于存储对象的元数据。

标签是特定于对象实例 self 的键值对，它们是静态标志，在对象构建后不会更改。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 方法应仅在对象的 __init__ 方法中、对象构建期间或通过 __init__ 直接构造后调用。

当前标签值可通过 get_tags 或 get_tag 查看。

参数：
**tag_dictdict

标签名称 : 标签值的字典。

返回：
对象自身

对对象自身的引用。