TapNetRegressor

class TapNetRegressor(n_epochs=2000, batch_size=16, dropout=0.5, filter_sizes=(256, 256, 128), kernel_size=(8, 5, 3), dilation=1, layers=(500, 300), use_rp=True, activation=None, rp_params=(-1, 3), use_bias=True, use_att=True, use_lstm=True, use_cnn=True, random_state=None, padding='same', loss='mean_squared_error', optimizer=None, metrics=None, callbacks=None, verbose=False)

时间序列注意力原型网络 (TapNet)，如 [1] 中所述。

TapNet 最初被提出用于多元时间序列分类。这是对时间序列回归的改编。TapNet 包括以下组件：随机维度置换、多元时间序列编码和注意力原型学习。

参数:

filter_sizesint 数组，默认 = (256, 256, 128)

设置每个卷积块的核大小参数。控制卷积滤波器的数量和注意力密集层中神经元的数量。

kernel_sizeint 数组，默认 = (8, 5, 3)

控制卷积核的大小

layersint 数组，默认 = (500, 300)

密集层的大小

n_epochsint，默认 = 2000

模型训练的 epoch 数量

batch_sizeint，默认 = 16

每次更新的样本数量

dropoutfloat，默认 = 0.5

dropout 率，范围在 [0, 1) 之间

dilationint，默认 = 1

膨胀值

activationstr，默认 = “sigmoid”

最后一个输出层的激活函数

lossstr，默认 = “mean_squared_error”

分类器的损失函数

optimizerstr 或 None，默认 = “Adam(lr=0.01)”

分类器的梯度更新函数

use_biasbool，默认 = True

是否在输出密集层中使用偏置

use_rpbool，默认 = True

是否使用随机投影

use_attbool，默认 = True

是否使用自注意力

use_lstmbool，默认 = True

是否使用 LSTM 层

use_cnnbool，默认 = True

是否使用 CNN 层

verbosebool，默认 = False

是否输出额外信息

random_stateint 或 None，默认 = None

随机种子

属性:

is_fitted

是否已调用 fit。

注意

TapNet 的当前实现位于 kdd2019-tapnet/tapnet，目前未实现自定义距离矩阵损失函数或基于类的自注意力。

参考文献

[1]

Zhang 等人。Tapnet：使用

注意力原型网络进行多元时间序列分类，AAAI 人工智能会议论文集 34(4), 6845-6852, 2020

方法

build_model(input_shape, **kwargs)	构建一个已编译、未经训练、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()	获取一个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])	创建所有测试实例及其名称的列表。
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，具有来自父类的标签级继承。
get_class_tags()	从类中获取类标签，具有来自父类的标签级继承。
get_config()	获取自身的配置标志。
get_fitted_params([deep])	获取拟合参数。
get_param_defaults()	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，具有标签级继承和覆盖。
get_tags()	从实例中获取标签，具有标签级继承和覆盖。
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)	从序列化的内存容器加载对象。
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])	将序列化的自身保存到字节类对象或 (.zip) 文件。
score(X, y[, multioutput])	根据 X 上的真实标签评估预测标签的得分。
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, ...])	为自身设置 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)

构建一个已编译、未经训练、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 是维度数量，m 是序列长度。Keras/tensorflow 假定数据形状为 (m,d)。此方法也假定形状为 (m,d)。转置应在 fit 中进行。

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

check_is_fitted(method_name=None)

检查估计器是否已拟合。

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()

获取一个具有相同超参数和配置的对象的克隆。

克隆是另一个没有共享引用的对象，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 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，但例外在于 clone 返回一个新对象，而不是像 reset 那样改变 self。

引发:

如果克隆不符合要求（由于 __init__ 存在问题），则引发 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 scikit-base 兼容对象都包含一个标签字典。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 方法只能在对象的 __init__ 方法中调用，在构造过程中，或通过 __init__ 构造后直接调用。

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

tag_names 的默认值是将 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 或其派生类的实例

tag_namesstr 或 str 列表，默认 = None

要克隆的标签名称。默认值 (None) 克隆 estimator 中的所有标签。

返回:

自身

对 self 的引用。

classmethod create_test_instance(parameter_set='default')

使用第一个测试参数集构造类的实例。

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')

创建所有测试实例及其名称的列表。

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 obj 的第 i 个实例的名称。命名约定为 {cls.__name__}-{i}（如果实例多于一个），否则为 {cls.__name__}

fit(X, y)

将时间序列回归器拟合到训练数据。

状态改变

将状态更改为“已拟合”。

写入自身

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

参数:

X兼容 sktime 的 Panel 数据类型的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 形式，例如

• pd-multiindex: pd.DataFrame，其中列 = 变量，索引 = pd.MultiIndex，第一层为实例索引，第二层为时间索引

• 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元或不等长序列的面板，详细信息请参阅标签参考。

y兼容 sktime 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-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:

自身对自身的引用。

注意

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)

从类中获取类标签值，具有来自父类的标签级继承。

每个 scikit-base 兼容对象都包含一个标签字典，用于存储对象的元数据。

get_class_tag 方法是一个类方法，它仅考虑类级别的标签值和覆盖来检索标签的值。

它从对象中返回名称为 tag_name 的标签的值，考虑标签覆盖，优先级降序排列如下

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，

按继承顺序排列。

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

要检索带有潜在实例覆盖的标签值，请使用 get_tag 方法代替。

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()

从类中获取类标签，具有来自父类的标签级继承。

每个 scikit-base 兼容对象都包含一个标签字典。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，它们是对象构造后不会更改的静态标志。

get_class_tags 方法是一个类方法，它仅考虑类级别的标签值和覆盖来检索标签的值。

它返回一个字典，其中键是类或其任何父类中设置的任何 _tags 属性的键。

值是相应的标签值，覆盖优先级降序排列如下

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，

按继承顺序排列。

实例可以根据超参数覆盖这些标签。

要检索带有潜在实例覆盖的标签，请使用 get_tags 方法代替。

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()

获取自身的配置标志。

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，然后收集 _onfig_dynamic 对象属性中的任何覆盖和新标签。

get_fitted_params(deep=True)

获取拟合参数。

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 值参数）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键为 str 的字典

拟合参数字典，paramname : paramvalue 键值对包括

• 始终包含：此对象的所有拟合参数，通过 get_param_names 获取；值是此对象对应于该键的拟合参数值

• 如果 deep=True，还包含组件参数的键/值对；组件参数的索引格式为 [componentname]__[paramname]；componentname 的所有参数都以 paramname 及其值的形式出现

• 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()

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。值是默认值，如 __init__ 中定义的那样。

classmethod get_param_names(sort=True)

获取对象的参数名称。

参数:

sortbool, 默认=True

是否按字母顺序（True）返回参数名称，或者按它们在类的 __init__ 方法中出现的顺序（False）返回。

返回:

param_names: list[str]

cls 的参数名称列表。如果 sort=False，则按它们在类的 __init__ 方法中出现的顺序排列。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，默认值=True

是否返回组件的参数。

• 如果为 True，将返回一个字典，其中包含此对象的参数名称：值对，包括组件（即 BaseObject 类型参数）的参数。

• 如果为 False，将返回一个字典，其中包含此对象的参数名称：值对，但不包括组件的参数。

返回:

paramsdict，键为 str 类型

参数字典，paramname : paramvalue 键值对包含：

• 始终：此对象的所有参数，通过 get_param_names 获取的值是此对象的参数值。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；组件参数的索引格式为 [componentname]__[paramname]；componentname 的所有参数都以 paramname 及其值的形式出现

• 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)

从实例中获取标签值，具有标签级继承和覆盖。

每个 scikit-base 兼容对象都包含一个标签字典。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，优先级降序排列如下：

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

实例构造时设置的标签。

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，

按继承顺序排列。

参数:

tag_namestr

要检索的标签的名称。

tag_value_default任何类型，可选；默认=None

如果未找到标签，则使用的默认/备用值。

raise_errorbool

在未找到标签时是否引发 ValueError。

返回:

tag_value任意

self 中 tag_name 标签的值。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。

当 tag_name 不在 self.get_tags().keys() 中时，将引发 ValueError。

get_tags()

从实例中获取标签，具有标签级继承和覆盖。

每个 scikit-base 兼容对象都包含一个标签字典。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 属性的任何键，或者通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，覆盖优先级降序排列如下

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

实例构造时设置的标签。

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 对象属性收集任何覆盖和新标签。

classmethod get_test_params(parameter_set='default')

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的名称，用于测试。如果某个值没有定义特殊的参数，则返回 "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”参数用于与先前记录的结果进行比较（如果通用集未产生合适的概率进行比较）。

返回:

paramsdict 或 list of dict, 默认={}

用于创建类的测试实例的参数。每个字典都是构造一个“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（或唯一的）字典。

is_composite()

检查对象是否由其他 BaseObject 组成。

复合对象是指包含其他对象作为参数的对象。此方法在实例上调用，因为其结果可能因实例而异。

返回:

composite: bool

对象是否包含值是 BaseObject 派生实例的参数。

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

估计器是否已经过 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，其输出位于 path，对应于 cls.save(path)。

classmethod load_from_serial(serial)

从序列化的内存容器加载对象。

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() 的历史。

返回:

反序列化的 self 结果，其输出是 serial，对应于 cls.save(None)。

predict(X) → ndarray

预测 X 中序列的标签。

参数:

X兼容 sktime 的 Panel 数据类型的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 形式，例如

• pd-multiindex: pd.DataFrame，其中列 = 变量，索引 = pd.MultiIndex，第一层为实例索引，第二层为时间索引

• 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元或不等长序列的面板，详细信息请参阅标签参考。

返回:

y_predsktime 兼容的表格数据容器，类型为 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。

1D np.npdarray，如果 y 是一元的（一维）；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。

将 self 重置到构造函数调用后直接所处的状态，具有相同的超参数。通过 set_config 设置的配置值也会保留。

reset 调用将删除任何对象属性，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，配置会被保留而不改变。也就是说，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。

相当于 clone，区别在于 reset 修改 self 而不是返回新对象。

在调用 self.reset() 后，self 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:

自身

类实例重置到干净的初始化后状态，但保留当前的超参数值。

save(path=None)

将序列化的自身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 self；如果 path 是文件路径，则将 zip 文件存储在该位置并使用该名称。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 history 对象。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，则 self 保存为内存中的对象；如果为文件位置，则 self 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/ 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 - 引用该文件的 ZipFile 对象。

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

根据 X 上的真实标签评估预测标签的得分。

参数:

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

pd-multiindex：pd.DataFrame，列为变量，索引为 pd.MultiIndex，第一层为实例索引，第二层为时间索引。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。

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

用于拟合的索引对应于 X 中的实例索引，或 1D np.array of int，形状为 [n_instances] - 用于拟合的回归标签的索引对应于 X 中的实例索引。

multioutputstr, 可选 (默认=”uniform_average”)

{“raw_values”, “uniform_average”, “variance_weighted”}, array-like 形状为 (n_outputs,) 或 None, 默认=”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-squared 分数。如果 multioutput=”uniform_average” 或 “variance_weighted”，或 y 是一元的，则为 float；如果 multioutput=”raw_values” 且 y 是多元的，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 kernel 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=True

打印 self 时是否只列出自参数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，即只影响 self 而不影响组件估计器。

warningsstr, “on” (默认), 或 “off”

是否引发警告，只影响 sktime 发出的警告。

• “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=”None”

用于广播/向量化时的并行化后端，可选值之一：

• “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={} (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”: 无附加参数，backend_params 被忽略。

• “loky”, “multiprocessing” 和 “threading”: 默认 joblib 后端。这里可以传递 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，则默认为 -1，其他参数默认为 joblib 的默认值。

• “joblib”: 自定义和第三方 joblib 后端，例如 spark。这里可以传递 joblib.Parallel 的任何有效键，例如 n_jobs。backend 在此情况下必须作为 backend_params 的一个键传递。如果未传递 n_jobs，则默认为 -1，其他参数默认为 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=True; False 防止 ray 在并行化后关闭。

    关闭后。

  • “logger_name”: str, 默认=”ray”; 使用的 logger 名称。

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

返回:

抑制警告。

注意

self对 self 的引用。

改变对象状态，将 config_dict 中的配置复制到 self._config_dynamic。

设置此对象的参数。

set_params(**params)

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，组件没有两个同名参数 <parameter>），也可以使用不带 <component>__ 的字符串 <parameter>。

**paramsdict

返回:

BaseObject 参数，键必须是 <component>__<parameter> 字符串。__ 后缀可以是完整字符串的别名，前提是在 get_params 键中是唯一的。

self对 self 的引用（参数设置后）

为自身设置 random_state 伪随机种子参数。

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

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 通过 sample_dependent_seed 派生的整数。这些整数通过链式哈希采样，保证了种子随机生成器的伪随机独立性。

根据 self_policy，应用于 self 中的 random_state 参数，并且当且仅当 deep=True 时应用于剩余的组件对象。

参数:

注意：即使 self 没有 random_state 参数，或者组件中没有 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。

random_stateint, RandomState 实例或 None, 默认=None

deepbool，默认值=True

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。

• 是否在 skbase 对象类型参数（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，也将设置组件对象中的 random_state 参数。

• self_policystr, 可选值之一 {“copy”, “keep”, “new”}, 默认=”copy”

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

• “keep” : self.random_state 保持不变。

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

返回:

由输入的 random_state 派生，通常与它不同。

self对 self 的引用。

将实例级标签覆盖设置为给定值。

每个 scikit-base 兼容对象都包含一个标签字典，用于存储对象的元数据。

set_tags(**tag_dict)

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。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为何值。

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数:

set_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。

**tag_dictdict

返回:

标签名称：标签值对的字典。

Self