多重归一化器#

class pytorch_forecasting.data.encoders.MultiNormalizer(normalizers: List[TorchNormalizer])[来源]#

基础： TorchNormalizer

多个目标的归一化器。

这个归一化器包装了多个其他归一化器。

Parameters:

normalizers (列表[TorchNormalizer]) – 应用于目标的归一化器列表

Inherited-members:

方法

extra_repr()

fit(y[, X])

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[, X, return_norm, target_scale])

缩放输入数据。

属性

转换

fit(y: DataFrame | ndarray | Tensor, X: DataFrame = None)[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:

多重标准化器

Return type:

自己

get_parameters(*args, **kwargs) → List[Tensor][来源]#

返回用于编码的参数。

Returns:

第一个元素是数据的中心，第二个是尺度

Return type:

列表[torch.Tensor]

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

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

transform(y: DataFrame | ndarray | Tensor, X: DataFrame = None, return_norm: bool = False, target_scale: List[Tensor] = None) → List[Tuple[ndarray | Tensor, ndarray]] | List[ndarray | Tensor][来源]#

缩放输入数据。

Parameters:

  • y (联合[pd.DataFrame, np.ndarray, torch.Tensor]) – 用于缩放的数据

  • X (pd.DataFrame) – 包含 groups 列的数据框。只有在 GroupNormalizer 是正则化器之一时才需要

  • return_norm (bool, 可选) – 如果返回 . 默认为 False.

  • target_scale (列表[torch.Tensor]) – 用于替代拟合的中心和规模的目标尺度

Returns:

缩放数据的列表，如果 return_norm=True，则还返回第二个元素作为缩放值

Return type:

联合[List[元组[联合[np.ndarray, torch.Tensor], np.ndarray]], List[联合[np.ndarray, torch.Tensor]]]