似然模型¶
似然模型包含了以概率方式训练和使用 Darts 神经网络模型所需的所有逻辑。这基本上意味着在给定分布参数的情况下，计算适当的训练损失并从分布中采样。
默认情况下，所有版本都将使用负对数似然作为损失函数进行训练（因此在训练模型时执行最大似然估计）。然而，大多数似然函数还支持指定关于分布参数的时间无关的“先验”信念。在这种情况下，KL-散度项被添加到损失中，以使其朝着指定的先验分布方向正则化。（请注意，这从技术上讲并不是纯粹的贝叶斯方法，因为先验是实际参数值，而不是分布）。参数 prior_strength 控制“先验”正则化对损失的影响强度。
一些分布（如 GaussianLikelihood 和 PoissonLikelihood）是单变量的，在这种情况下，它们独立地应用于多变量序列的每个分量建模。其他一些分布（如 DirichletLikelihood）是多变量的，在这种情况下，它们将联合建模多变量时间序列的所有分量。
单变量似然函数接受标量或类似数组的值作为可选的先验参数。如果提供了标量，它将作为序列所有成分的先验。如果提供了类似数组的值，第i个值将作为序列第i个成分的先验。多变量似然函数在指定先验时需要类似数组的对象。
用于训练的目标序列必须始终位于分布的支持范围内，否则在训练过程中会引发错误。您可以参考各个似然函数的文档以查看支持范围。同样，先验参数也必须位于某些预定义的域内。
- class darts.utils.likelihood_models.BernoulliLikelihood(prior_p=None, prior_strength=1.0)[源代码]¶
基类：
Likelihood伯努利分布。
https://zh.wikipedia.org/wiki/%E8%B4%9D%E5%88%A9%E6%96%AF%E5%88%86%E5%B8%83
单变量离散分布。
支持：\(\{0, 1\}\)。
参数：概率 \(p \in (0, 1)\)。
- 参数
prior_p – 先验伯努利分布的概率 \(p\) （默认：None）
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.BetaLikelihood(prior_alpha=None, prior_beta=None, prior_strength=1.0)[源代码]¶
基类：
LikelihoodBeta 分布。
https://en.wikipedia.org/wiki/Beta_distribution
单变量连续分布。
支持：开区间 \((0,1)\)
参数：形状参数 \(\alpha > 0\) 和 \(\beta > 0\)。
- 参数
prior_alpha – Beta 分布的形状参数 \(\alpha\)，严格为正（默认：None）
prior_beta – 形状参数 \(\beta\) 分布，严格为正（默认：无）
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.CauchyLikelihood(prior_xzero=None, prior_gamma=None, prior_strength=1.0)[源代码]¶
基类：
Likelihood柯西分布。
https://en.wikipedia.org/wiki/柯西分布
单变量连续分布。
支持：\(\mathbb{R}\)。
参数: 位置 \(x_0 \in \mathbb{R}\), 尺度 \(\gamma > 0\).
由于其肥尾特性，这种分布通常更难估计，且效果可能因情况而异。同时请注意，通常需要为 num_samples 设置一个较大的值以进行预测采样。
- 参数
prior_xzero – Cauchy 分布的 location 参数 \(x_0\) (默认: None)
prior_gamma – Cauchy 分布的尺度参数 \(\gamma\)，严格为正（默认：None）
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.ContinuousBernoulliLikelihood(prior_lambda=None, prior_strength=1.0)[源代码]¶
基类：
Likelihood连续伯努利分布。
https://en.wikipedia.org/wiki/连续伯努利分布
单变量连续分布。
支持：开区间 \((0, 1)\)。
参数: shape \(\lambda \in (0,1)\)
- 参数
prior_lambda – 先验连续伯努利分布的形状参数 :math:`lambda`（默认值：None）
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.DirichletLikelihood(prior_alphas=None, prior_strength=1.0)[源代码]¶
基类：
Likelihood狄利克雷分布。
https://en.wikipedia.org/wiki/狄利克雷分布
多元连续分布，联合建模时间序列的所有组成部分。
支持：维度为 \(K\) 的序列的 \(K\) 维单纯形，即 \(x_1, ..., x_K \text{ 其中 } x_i \in (0,1),\; \sum_i^K{x_i}=1\)。
参数：浓度 \(\alpha_1, ..., \alpha_K\)，其中 \(\alpha_i > 0\)。
- 参数
prior_alphas – 先验Dirichlet分布的浓度参数 \(\alpha\)。
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.ExponentialLikelihood(prior_lambda=None, prior_strength=1.0)[源代码]¶
基类：
Likelihood指数分布。
https://en.wikipedia.org/wiki/Exponential_distribution
单变量连续分布。
支持：\(\mathbb{R}_{>0}\)。
参数：速率 \(\lambda > 0\)。
- 参数
prior_lambda – 先验指数分布的速率 :math:`lambda`（默认值：None）。
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.GammaLikelihood(prior_alpha=None, prior_beta=None, prior_strength=1.0)[源代码]¶
基类：
LikelihoodGamma 分布。
https://en.wikipedia.org/wiki/Gamma_distribution
单变量连续分布
支持：\(\mathbb{R}_{>0}\)。
参数：形状 \(\alpha > 0\) 和 比率 \(\beta > 0\)。
- 参数
prior_alpha – shape \(\alpha\) 先验伽马分布的形状参数（默认：None）。
prior_beta – 先验伽马分布的速率 \(\beta\) (默认: None)。
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.GaussianLikelihood(prior_mu=None, prior_sigma=None, prior_strength=1.0, beta_nll=0.0)[源代码]¶
基类：
Likelihood单变量高斯分布。
https://en.wikipedia.org/wiki/Normal_distribution
与纯粹的负对数似然（NLL）损失不同，所使用的损失函数是 \(\beta\)-NLL 损失 [1]，由 (0, 1) 中的
beta_nll参数化。对于beta_nll=0，它等同于 NLL，然而beta_nll的较大值可以缓解 NLL 在训练过程中导致对拟合不良区域的有效欠采样问题。beta_nll=1为均值提供了与 MSE 损失相同的梯度。单变量连续分布。
支持：\(\mathbb{R}\)。
参数：均值 \(\mu \in \mathbb{R}\)，标准差 \(\sigma > 0\)。
- 参数
prior_mu – 先验高斯分布的均值（默认：None）。
prior_sigma – 先验高斯分布的标准差（或尺度）（默认：None）
prior_strength – 由先验引起的损失正则化的强度
beta_nll – 参数 \(0 \leq \beta \leq 1\) 用于 \(\beta\)-NLL 损失 [1]。默认值：0。（等同于 NLL）
引用
- 1(1,2)
Seitzer 等人，“关于异方差不确定性估计在概率神经网络中的陷阱” https://arxiv.org/abs/2203.09168
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.GeometricLikelihood(prior_p=None, prior_strength=1.0)[源代码]¶
基类：
Likelihood几何分布。
https://en.wikipedia.org/wiki/Geometric_distribution
单变量离散分布
支持：:math:`mathbb{N}_0`（包括0的自然数）。
参数：成功概率 \(p \in (0, 1)\)。
- 参数
prior_p – 先验几何分布的成功概率 :math:`p`（默认：None）
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.GumbelLikelihood(prior_mu=None, prior_beta=None, prior_strength=1.0)[源代码]¶
基类：
LikelihoodGumbel 分布。
https://en.wikipedia.org/wiki/Gumbel_distribution
单变量连续分布
支持：\(\mathbb{R}\)。
参数：位置 \(\mu \in \mathbb{R}\) 和尺度 \(\beta > 0\)。
- 参数
prior_mu – 位置参数 \(\mu\) 的先验Gumbel分布（默认：None）。
prior_beta – 先验Gumbel分布的尺度参数 \(\beta\) (默认: None)。
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.HalfNormalLikelihood(prior_sigma=None, prior_strength=1.0)[源代码]¶
基类：
Likelihood半正态分布。
https://en.wikipedia.org/wiki/Half-normal_distribution
单变量连续分布。
支持：\(\mathbb{R}_{>0}\)。
参数：速率 \(\sigma > 0\)。
- 参数
prior_sigma – 标准差 \(\sigma\) 的前半正态分布（默认值：None）。
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.LaplaceLikelihood(prior_mu=None, prior_b=None, prior_strength=1.0)[源代码]¶
基类：
Likelihood拉普拉斯分布。
https://en.wikipedia.org/wiki/Laplace_distribution
单变量连续分布
支持：\(\mathbb{R}\)。
参数：位置 \(\mu \in \mathbb{R}\) 和尺度 \(b > 0\)。
- 参数
prior_mu – 位置参数 \(\mu\) 的先验拉普拉斯分布（默认：None）。
prior_b – 先验拉普拉斯分布的尺度 \(b\) （默认：None）。
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.Likelihood(prior_strength=1.0)[源代码]¶
基类：
ABC似然模型的一个抽象类。
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)[源代码]¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- abstract property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- abstract simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.LogNormalLikelihood(prior_mu=None, prior_sigma=None, prior_strength=1.0)[源代码]¶
基类：
Likelihood对数正态分布。
https://en.wikipedia.org/wiki/Log-normal_distribution
单变量连续分布。
支持：\(\mathbb{R}_{>0}\)。
参数：\(\mu \in \mathbb{R}\) 和 \(\sigma > 0\)。
- 参数
prior_mu – 先验对数正态分布的参数 :math:`mu`（默认值：None）。
prior_sigma – 参数 \(\sigma\) 的先验对数正态分布（默认：None）
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.NegativeBinomialLikelihood[源代码]¶
基类：
Likelihood负二项分布。
https://zh.wikipedia.org/wiki/负二项分布
它不支持先验知识。
单变量离散分布。
支持：:math:`mathbb{N}_0`（包括0的自然数）。
参数：失败次数 \(r > 0\)，成功概率 \(p \in (0, 1)\)。
幕后，分布被重新参数化，使得网络的实际输出以均值 \(\mu\) 和形状 \(\alpha\) 为单位。
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)覆盖父类，因为参数分两步提取。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.PoissonLikelihood(prior_lambda=None, prior_strength=1.0)[源代码]¶
基类：
Likelihood泊松分布。通常用于模拟时间间隔内的事件计数，当事件发生与上次事件发生的时间无关时。
https://en.wikipedia.org/wiki/Poisson_distribution
单变量离散分布
支持：:math:`mathbb{N}_0`（包括0的自然数）。
参数：速率 \(\lambda > 0\)。
- 参数
prior_lambda – 先验泊松分布的速率 :math:`lambda`（默认值：None）
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.QuantileRegression(quantiles=None)[源代码]¶
基类：
Likelihood对应于分位数回归的“似然性”。它使用以 q=0.5 为中心的自定义分位数的分位数损失度量。
尽管这个类并不代表一个定义明确的分布的可能性，但它可以像其他可能性对象一样使用。
- 参数
quantiles (
Optional[List[float],None]) – 分位数列表
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)我们正在重新定义一个自定义损失（这不是一个似然损失），与似然相比。
likelihood_components_names(input_series)每个组件都有自己的分位数
predict_likelihood_parameters(model_output)覆盖父方法，因为 QuantileRegression 本质上不是一个 Likelihood，参数必须以不同的方式提取。
sample(model_output)在 [0, 1] 之间均匀采样（针对每个批次样本），并返回最接近采样值的拟合分位数之间的线性插值。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)[源代码]¶
我们正在重新定义一个自定义损失（这不是一个似然损失），与似然相比。
- 参数
model_output (
Tensor) – 必须具有形状 (batch_size, n_timesteps, n_target_variables, n_quantiles)target (
Tensor) – 必须是形状为 (n_samples, n_timesteps, n_target_variables) 的数组sample_weight (
Tensor) – 必须是形状为 (n_samples, n_timesteps, n_target_variables) 的数组
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)[源代码]¶
覆盖父方法，因为 QuantileRegression 本质上不是一个 Likelihood，参数必须以不同的方式提取。
- 返回类型
Tensor
- sample(model_output)[源代码]¶
在 [0, 1] 之间均匀采样（针对每个批次样本），并返回最接近采样值的拟合分位数之间的线性插值。
model_output 的形状为 (batch_size, n_timesteps, n_components, n_quantiles)
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str
- class darts.utils.likelihood_models.WeibullLikelihood(prior_strength=1.0)[源代码]¶
基类：
Likelihood威布尔分布。
https://en.wikipedia.org/wiki/Weibull_distribution
单变量连续分布
支持：\(\mathbb{R}_{>0}\)。
参数：尺度 \(\lambda > 0\) 和 浓度 \(k > 0\)。
它不支持先验知识。
- 参数
prior_strength – 由先验引起的损失正则化的强度
属性
返回定义单个目标值概率分布的参数数量。
方法
compute_loss(model_output, target, sample_weight)从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
likelihood_components_names(input_series)为似然函数的参数生成名称。
predict_likelihood_parameters(model_output)返回从原始模型输出中提取的分布参数，作为一个单一的张量。
sample(model_output)从由特定似然模型和 model_output 中给定的参数定义的概率分布中采样预测。
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- compute_loss(model_output, target, sample_weight)¶
从 model_output 计算损失，model_output 表示给定概率分布的参数，对应 target 中的每个真实值，以及 target 本身。
- property num_parameters: int¶
返回定义单个目标值概率分布的参数数量。
- 返回类型
int
- predict_likelihood_parameters(model_output)¶
返回从原始模型输出中提取的分布参数，作为一个单一的张量。
- 返回类型
Tensor
- simplified_name()[源代码]¶
返回一个简化的名称，用于比较 Likelihood 和 LikelihoodMixin_ 实例
- 返回类型
str