TimeSeriesForestRegressor#

class TimeSeriesForestRegressor(min_interval=3, n_estimators=200, n_jobs=1, random_state=None)[source]#

时间序列森林回归器。

时间序列森林是构建在随机区间上的决策树集成模型。

概述：对于具有 n 个长度为 m 的序列的输入数据，对于每棵树

采样 sqrt(m) 个区间，
计算每个区间的均值、标准差和斜率，连接形成新的数据集，
在新数据集上构建决策树。

通过平均概率估计集成树。

此实现与原始版本略有不同。它有放回地采样区间，并且不使用 [1] 中描述的细微拆分标准。这是一个有意精简的、不可配置的版本，用作 HIVE-COTE 组件。

参数:

n_estimatorsint, default=200: 估计器数量。
min_intervalint, default=3: 区间的最小宽度。
n_jobsint, default=1: 用于 fit 和 predict 的并行作业数量。-1 表示使用所有处理器。
random_stateint, default=None

属性:

n_classesint: 类别数量。
n_intervalsint: 区间数量。
classes_list: 给定问题的类别列表。

另请参阅

TimeSeriesForestClassifier

参考文献

[1]

H.Deng, G.Runger, E.Tuv and M.Vladimir, “A time series forest for classification and feature extraction”, Information Sciences, 239, 2013

[2]

Java 实现 uea-machine-learning/tsml

[3]

Arxiv 论文: https://arxiv.org/abs/1302.2277

示例

>>> from sktime.regression.interval_based import TimeSeriesForestRegressor
>>> from sktime.datasets import load_unit_test
>>> X_train, y_train = load_unit_test(split="train")
>>> X_test, y_test = load_unit_test(split="test")
>>> regressor = TimeSeriesForestRegressor(n_estimators=150) 
>>> regressor.fit(X_train, y_train) 
TimeSeriesForestRegressor(n_estimators=150)
>>> y_pred = regressor.predict(X_test) 

方法

`apply`(X)	将森林中的树应用于 X，返回叶节点索引。
`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的克隆。
`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])	构造类的一个实例，使用第一个测试参数集。
`create_test_instances_and_names`([parameter_set])	创建所有测试实例列表及其名称列表。
`decision_path`(X)	返回森林中的决策路径。
`fit`(X, y)	使用 BaseRegressor fit 覆盖 sklearn forest fit。
`get_class_tag`(tag_name[, tag_value_default])	从类中获取类标签值，带有来自父类的标签级别继承。
`get_class_tags`()	从类中获取类标签，带有来自父类的标签级别继承。
`get_config`()	获取 self 的配置标志。
`get_fitted_params`([deep])	获取已拟合参数。
`get_metadata_routing`()	获取此对象的元数据路由。
`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])	获取此估计器的参数。
`get_tag`(tag_name[, tag_value_default, ...])	从实例获取标签值，带有标签级别继承和覆盖。
`get_tags`()	从实例获取标签，带有标签级别继承和覆盖。
`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)	从序列化内存容器加载对象。
`predict`(X)	使用 BaseRegressor predict 覆盖 sklearn forest predict。
`reset`()	将对象重置为干净的初始化后状态。
`save`([path, serialization_format])	将序列化后的 self 保存到字节类对象或 (.zip) 文件。
`score`(X, y[, sample_weight])	返回预测的确定系数。
`set_config`(**config_dict)	将配置标志设置为给定值。
`set_fit_request`(*[, sample_weight])	请求传递给 `fit` 方法的元数据。
`set_params`(**params)	设置此估计器的参数。
`set_random_state`([random_state, deep, ...])	为 self 设置 random_state 伪随机种子参数。
`set_score_request`(*[, sample_weight])	请求传递给 `score` 方法的元数据。
`set_tags`(**tag_dict)	将实例级别标签覆盖设置为给定值。

fit(X, y)[source]#: 使用 BaseRegressor fit 覆盖 sklearn forest fit。

predict(X)[source]#: 使用 BaseRegressor predict 覆盖 sklearn forest predict。

apply(X)[source]#

将森林中的树应用于 X，返回叶节点索引。

参数:

X{类数组, 稀疏矩阵}，形状为 (n_samples, n_features): 输入样本。在内部，其 dtype 将转换为 dtype=np.float32。如果提供了稀疏矩阵，它将转换为稀疏 csr_matrix。

返回:

X_leavesndarray，形状为 (n_samples, n_estimators): 对于 X 中的每个数据点 x 和森林中的每棵树，返回 x 最终所在的叶节点的索引。

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。is_fitted 属性应在对象 fit 方法的调用中设置为 True。

如果未拟合，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。

克隆是一个没有共享引用的不同对象，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，不同之处在于 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，则会引发 RuntimeError，原因在于 __init__ 有误。

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

将另一个对象的标签克隆为动态覆盖。

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，它们是静态标志，在对象构造后不会更改。

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，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，名称在 tag_names 中指定。

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

可以使用 get_tags 或 get_tag 检查当前标签值。

参数:

estimator:class:BaseObject 或派生类的实例
tag_namesstr 或 list of str, default = 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]#

构造类的一个实例，使用第一个测试参数集。

参数:

parameter_setstr, default=”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]#

创建所有测试实例列表及其名称列表。

参数:

parameter_setstr, default=”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 obj 的第 i 个实例的名称。如果实例多于一个，命名约定是 {cls.__name__}-{i}，否则是 {cls.__name__}

decision_path(X)[source]#

返回森林中的决策路径。

添加于 0.18 版本。

参数:

X{类数组, 稀疏矩阵}，形状为 (n_samples, n_features): 输入样本。在内部，其 dtype 将转换为 dtype=np.float32。如果提供了稀疏矩阵，它将转换为稀疏 csr_matrix。

返回:

indicator稀疏矩阵，形状为 (n_samples, n_nodes): 返回节点指示矩阵，其中非零元素表示样本经过这些节点。矩阵为 CSR 格式。
n_nodes_ptrndarray，形状为 (n_estimators + 1,): indicator[n_nodes_ptr[i]:n_nodes_ptr[i+1]] 的列给出第 i 个估计器的指示值。

property estimators_samples_[source]#

每个基础估计器抽取的样本子集。

返回一个动态生成的索引列表，用于标识用于拟合集成的每个成员（即袋内样本）的样本。

注意：每次调用属性时都会重新创建列表，以减少对象内存占用，避免存储采样数据。因此，获取属性可能会比预期慢。

property feature_importances_[source]#

基于杂质的特征重要性。

值越高，特征越重要。特征的重要性计算为该特征带来的判据总减少量（归一化后）。这也被称为基尼重要性。

警告：基于杂质的特征重要性对于高基数特征（许多唯一值）可能具有误导性。请参阅 sklearn.inspection.permutation_importance 作为替代方案。

返回:

feature_importances_ndarray，形状为 (n_features,): 此数组的值总和为 1，除非所有树都是仅由根节点组成的单节点树，在这种情况下它将是一个零数组。

classmethod get_class_tag(tag_name, tag_value_default=None)[source]#

从类中获取类标签值，带有来自父类的标签级别继承。

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，仅考虑类级别标签值和覆盖来检索标签的值。

它返回具有名称 tag_name 的标签的值，考虑到标签覆盖，优先级从高到低如下：

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。

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

要检索带有潜在实例覆盖的标签值，请使用 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，返回 tag_value_default。

classmethod get_class_tags()[source]#

从类中获取类标签，带有来自父类的标签级别继承。

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，它们是静态标志，在对象构造后不会更改。

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的值。

它返回一个字典，其中键是类或其任何父类中 _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如下：

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。

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。

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

要包含动态标签的覆盖，请使用 get_tags。

collected_tagsdict: 标签名：标签值对的字典。通过嵌套继承从 _tags 类属性收集。不被 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临时标志。

get_config 返回动态配置，它会覆盖默认配置。

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 调用中保留。

返回:

config_dictdict: 配置名：配置值对的字典。通过嵌套继承从 _config 类属性收集，然后是来自 _onfig_dynamic 对象属性的任何覆盖和新标签。

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, default=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：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：值字典，但不包括组件的已拟合参数。

返回:

fitted_params键为 str 的字典

已拟合参数字典，包含参数名：参数值键值对

始终：此对象的所有已拟合参数，通过 get_param_names 获取，值是此对象对应键的已拟合参数值
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_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南了解路由机制如何工作。

返回:

routingMetadataRequest: 封装路由信息的 MetadataRequest。

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 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, default=True: 是否按字母顺序（True）或按它们在类 __init__ 中出现的顺序（False）返回参数名称。

返回:

param_names: list[str]: cls 的参数名称列表。如果 sort=False，按它们在类 __init__ 中出现的顺序。如果 sort=True，按字母顺序排序。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:

deepbool, default=True: 如果为 True，将返回此估计器及其包含的子对象（是估计器）的参数。

返回:

paramsdict: 参数名称映射到其值。

get_tag(tag_name, tag_value_default=None, raise_error=True)[source]#

从实例获取标签值，带有标签级别继承和覆盖。

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，它们是静态标志，在对象构造后不会更改。

get_tag 方法从实例中检索名为 tag_name 的单个标签的值，考虑到标签覆盖，优先级从高到低如下：

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时。

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。

参数:

tag_namestr: 要检索的标签名称
tag_value_default任意类型, 可选; default=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，则会引发 ValueError。

get_tags()[source]#

从实例获取标签，带有标签级别继承和覆盖。

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，它们是静态标志，在对象构造后不会更改。

get_tags 方法返回一个标签字典，其中键是类或其任何父类中 _tags 的任何属性的键，或者通过 set_tags 或 clone_tags 设置的标签的键。

值是对应的标签值，覆盖优先级从高到低如下：

在实例上通过 set_tags 或 clone_tags 设置的标签，

在实例构造时。

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。

返回:

collected_tagsdict: 标签名：标签值对的字典。通过嵌套继承从 _tags 类属性收集，然后是来自 _tags_dynamic 对象属性的任何覆盖和新标签。

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 来构建测试实例。

get_test_params 应返回单个 dict 或 dict 列表。

每个 dict 是一个用于测试的参数配置，可用于构建一个“有趣的”测试实例。对于 get_test_params 返回的所有字典 params，调用 cls(**params) 应该有效。

get_test_params 不需要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, default=”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参数，则返回 “default” 集。

返回:

paramsdict 或 list of dict, default = {}: 创建类的测试实例的参数。每个 dict 都是构建一个“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()[source]#

检查对象是否由其他 BaseObject 组成。

复合对象是一个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: 对象是否具有任何参数，其值是 BaseObject 派生类实例。

property is_fitted[source]#

fit 是否已被调用。

检查对象的 _is_fitted` 属性，该属性应在对象构造期间初始化为 ``False，并在对象 fit 方法的调用中设置为 True。

返回:

bool: 估计器是否已被 fit。

classmethod load_from_path(serial)[source]#

从文件位置加载对象。

参数:

serialZipFile(path).open(“object”) 的结果

返回:

反序列化后的 self，结果位于 path，是 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:

serialcls.save(None) 输出的第一个元素

返回:

反序列化后的 self，结果为 serial，是 cls.save(None) 的输出

reset()[source]#

将对象重置为干净的初始化后状态。

将 self 设置为构造函数调用后立即获得的状态，具有相同的超参数。通过 set_config 设置的配置值也保留。

reset 调用删除任何对象属性，除了

超参数 = __init__ 的参数，写入 self，例如 self.paramname，其中 paramname 是 __init__ 的参数
包含双下划线的对象属性，即包含字符串“__”。例如，名为“__myattr”的属性会被保留。
配置属性，配置保留不变。也就是说，调用 reset 前后 get_config 的结果相等。

类和对象方法，以及类属性也不受影响。

等同于 clone，不同之处在于 reset 修改 self 而不是返回一个新对象。

在调用 self.reset() 后，self 在值和状态上等于构造函数调用``type(self)(**self.get_params(deep=False))`` 后获得的对象。

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, serialization_format='pickle')[source]#

将序列化后的 self 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 是文件位置，则将 self 作为 zip 文件存储在该位置

保存的文件是 zip 文件，包含以下内容：_metadata - 包含 self 的类，即 type(self)；_obj - 序列化后的 self。此类使用默认序列化（pickle）。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，self 将保存到内存中的对象。如果为文件位置，self 将保存到该文件位置。如果

path=”estimator”，则将在当前工作目录创建名为 estimator.zip 的 zip 文件。
path=”/home/stored/estimator”，则名为 estimator.zip 的 zip 文件将保存

到 /home/stored/ 中。

serialization_format: str, default = “pickle”

用于序列化的模块。可用选项有“pickle”和“cloudpickle”。请注意，非默认格式可能需要安装其他软依赖项。

返回:

如果 path 为 None - 内存中的序列化 self
如果 path 为文件位置 - ZipFile，引用该文件

score(X, y, sample_weight=None)[来源]#

返回预测的确定系数。

决定系数 $R^2$ 定义为 $(1 - \frac{u}{v})$，其中 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum()，而 $v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳可能得分为 1.0，且它可以是负数（因为模型可能任意地差）。一个忽略输入特征、总是预测 y 期望值的常数模型，其 $R^2$ 得分为 0.0。

参数:

X形状为 (n_samples, n_features) 的类数组对象: 测试样本。对于某些估计器，这可能是预先计算好的核矩阵或一个通用对象列表，形状为 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是估计器拟合时使用的样本数量。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象: X 的真实值。
sample_weight形状为 (n_samples,) 的类数组对象，默认值为 None: 样本权重。

返回:

score浮点数: self.predict(X) 相对于 y 的 $R^2$。

注

在回归器上调用 score 时使用的 $R^2$ 得分从 0.23 版本开始使用 multioutput='uniform_average'，以便与 r2_score 的默认值保持一致。这会影响所有多输出回归器（除了 MultiOutputRegressor）的 score 方法。

set_config(**config_dict)[来源]#

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。下面列出了有效的配置、值及其含义

displaystr，"diagram"（默认）或 "text"

jupyter 内核如何显示实例本身

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

print_changed_onlybool，默认值为 True

打印自身时是仅列出与默认值不同的自身参数（False），还是列出所有参数名称和值（False）。不进行嵌套，即仅影响自身，不影响组件估计器。

warningsstr，"on"（默认）或 "off"

是否发出警告，仅影响来自 sktime 的警告

"on" = 将发出来自 sktime 的警告
"off" = 将不发出来自 sktime 的警告

backend:parallelstr，可选，默认值为 "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，默认值为 {}（不传递参数）

作为配置传递给并行化后端的附加参数。有效的键取决于 backend:parallel 的值

"None"：无附加参数，忽略 backend_params
"loky", "multiprocessing" 和 "threading"：默认的 joblib 后端，可以在此处传递 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 的默认值。
"joblib"：自定义和第三方 joblib 后端，例如 spark。可以在此处传递 joblib.Parallel 的任何有效键，例如 n_jobs，在这种情况下，必须将 backend 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，默认值为 True；False 防止 ray 在并行化后关闭。
  并行化后正在关闭。
- "logger_name"：str，默认值为 "ray"；要使用的日志记录器名称。
- "mute_warnings"：bool，默认值为 False；如果为 True，则抑制警告

返回:

self引用自身。

注

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

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → TimeSeriesForestRegressor[来源]#

请求传递给 fit 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时相关（参见 sklearn.set_config）。有关路由机制的工作原理，请参见用户指南。

每个参数的选项如下

True：请求元数据，如果提供，则传递给 fit。如果未提供元数据，则忽略请求。
False：不请求元数据，元估计器不会将其传递给 fit。
None：不请求元数据，如果用户提供元数据，元估计器将引发错误。
str：应使用此给定别名而不是原始名称将元数据传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

新增于 1.3 版本。

注意

此方法仅在此估计器用作元估计器的子估计器时相关，例如在 Pipeline 内部使用时。否则它没有效果。

参数:

sample_weightstr, True, False, 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED: fit 方法中 sample_weight 参数的元数据路由。

返回:

self对象: 更新后的对象。

set_params(**params)[来源]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如 Pipeline）。后者具有 <组件>__<参数> 形式的参数，因此可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计器参数。

返回:

self估计器实例: 估计器实例。

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

为 self 设置 random_state 伪随机种子参数。

通过 self.get_params 找到名为 random_state 的参数，并通过 set_params 将它们设置为从 random_state 派生的整数。这些整数通过链式哈希从 sample_dependent_seed 中采样，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，也应用于其余组件对象。

注意：即使 self 没有 random_state 参数，或者没有任何组件具有 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，默认值为 None

伪随机数生成器，用于控制随机整数的生成。传递 int 以在多次函数调用中获得可重现的输出。

deepbool, default=True

deepbool，默认值为 True

是否设置 skbase 对象值参数（即组件估计器）中的随机状态。
如果为 False，则仅设置 self 的 random_state 参数（如果存在）。

如果为 True，则也会设置组件对象中的 random_state 参数。

self_policystr，{"copy", "keep", "new"} 之一，默认值为 "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:

该状态从输入的 random_state 派生，通常与它不同

self引用自身

请求传递给 score 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时相关（参见 sklearn.set_config）。有关路由机制的工作原理，请参见用户指南。

每个参数的选项如下

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → TimeSeriesForestRegressor[来源]#
True：请求元数据，如果提供，则传递给 score。如果未提供元数据，则忽略请求。
None：不请求元数据，如果用户提供元数据，元估计器将引发错误。
str：应使用此给定别名而不是原始名称将元数据传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

新增于 1.3 版本。

注意

此方法仅在此估计器用作元估计器的子估计器时相关，例如在 Pipeline 内部使用时。否则它没有效果。

参数:

sample_weightstr, True, False, 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED: False：不请求元数据，元估计器不会将其传递给 score。

返回:

self对象: 更新后的对象。

sample_weightstr, True, False, 或 None, 默认值为 sklearn.utils.metadata_routing.UNCHANGED

将实例级别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。

score 方法中 sample_weight 参数的元数据路由。

set_tags(**tag_dict)[来源]#

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会更改。它们可用于元数据检查或控制对象的行为。

可以使用 get_tags 或 get_tag 检查当前标签值。

参数:

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__ 方法中调用，即在构造期间，或在通过 __init__ 构造后直接调用。

返回:

**tag_dictdict: 标签名称: 标签值对的字典。