编码器归一化器#

class pytorch_forecasting.data.encoders.EncoderNormalizer(method: str = 'standard', center: bool = True, max_length: int | List[int] = None, transformation: str | Tuple[Callable, Callable] = None, method_kwargs: Dict[str, Any] = None)[来源]#

基础： TorchNormalizer

特殊归一化器，适用于每个编码序列。

如果使用，这个变换器将分别在每个编码器序列上进行拟合。这个归一化器对于目标归一化尤其有用。

初始化

Parameters:

method (str, 可选, 默认="standard") – 用于重新缩放时间序列的方法。可以是“identity”、“standard”（标准缩放）或“robust”（使用分位数0.25-0.75进行缩放）。默认为“standard”。
method_kwargs (字典[字符串, 任意], 可选, 默认=None) –
方法特定参数的字典，如下所列
- ”robust” 方法: “upper”, “lower”, “center” 分位数默认为 0.75, 0.25 和 0.5
center (bool, optional, default=True) – 是否将输出居中为零。默认为 True。
max_length (Union[int, List[int]], optional) – 计算参数时考虑的最大长度。如果是元组，第一长度是计算中心的最大长度，第二是计算尺度的最大长度。默认为时间序列的整个长度。
转换 (联合[字符串, 元组[可调用, 可调用]] 可选：) –
在应用归一化器之前转换值。可用选项有
- 无 (默认)：不对值进行转换
- 对数：在对数空间中进行估计，导致乘法模型
- log1p：在对数空间中进行估计，但在转换前向值加1以确保稳定性
  
  (例如，如果有许多小于1的值)。注意，逆转换仍然只是 torch.exp() 而不是 torch.expm1()。
- logit：对位于0和1之间的值应用logit转换
- 计数：对输出应用softplus（逆转换），对输入应用x + 1（转换）
- softplus：对输出应用softplus（逆转换），对输入应用逆softplus（转换）
- relu：对输出应用max(0, x)
- Dict[str, Callable] 的PyTorch函数，用于转换和逆转换值。
  
  forward 和 reverse 条目是必需的。 inverse 转换是可选的，应该定义如果 reverse 不是前向转换的逆。 inverse_torch 可以定义以提供逆转换的torch分布变换。

Inherited-members:

方法

`extra_repr`()
`fit`(y)	拟合变换器，即确定数据的中心和尺度。
`fit_transform`(X[, y])	适应数据，然后进行转换。
`get_metadata_routing`()	获取此对象的元数据路由。
`get_parameters`(args, *kwargs)	返回用于编码的参数。
`get_params`([deep])	获取此估计器的参数。
`get_transform`(转换)	返回变换函数。
`inverse_preprocess`(y)	逆向预处理重新缩放的数据（例如，取指数）。
`inverse_transform`(y)	反向缩放。
`preprocess`(y)	预处理输入数据（例如，取对数）。
`set_output`(*[, transform])	设置输出容器。
`set_params`(**params)	设置此估计器的参数。
`set_transform_request`(*[, return_norm, ...])	传递给`transform`方法的请求元数据。
`transform`(y[, return_norm, target_scale])	重新缩放数据。

属性

`转换`
`min_length`

fit(y: Series | ndarray | Tensor)[来源]#

拟合变换器，即确定数据的中心和尺度

Parameters:: y (Union[pd.Series, np.ndarray, torch.Tensor]) – 输入数据
Returns:: TorchNormalizer
Return type:: 自己

set_transform_request(*, return_norm: bool | None | str = '$UNCHANGED$', target_scale: bool | None | str = '$UNCHANGED$') → 编码器归一化器#

传递给transform方法的请求元数据。

请注意，该方法仅在 enable_metadata_routing=True 的情况下相关（见 sklearn.set_config()）。有关路由机制如何工作的说明，请参见用户指南。

每个参数的选项为：

True: 请求元数据，如果提供，则传递给 transform。如果未提供元数据，则请求将被忽略。
False: 未请求元数据，元估计器将不会将其传递给 transform。
None: 未请求元数据，如果用户提供了，元估计器将引发错误。
str: 元数据应该通过这个给定的别名传递给元估计器，而不是原始名称。

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。

在1.3版本中新增。

注意

此方法仅在此估计器作为元估计器的子估计器时相关，例如在一个 Pipeline内部使用。否则它没有效果。

Parameters:

return_norm (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – transform 中 return_norm 参数的元数据路由。
target_scale (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – transform 中 target_scale 参数的元数据路由。

Returns:

self – 更新后的对象。

Return type:

对象

编码器归一化器#

此页面