ShapeletLearningClassifierPyts

class ShapeletLearningClassifierPyts(loss='softmax', n_shapelets_per_size=0.2, min_shapelet_length=0.1, shapelet_scale=3, penalty='l2', tol=0.001, C=1000, learning_rate=1.0, max_iter=1000, multi_class='multinomial', alpha=-100, fit_intercept=True, intercept_scaling=1.0, class_weight=None, n_jobs=None, verbose=0, random_state=None)

学习 Shapelets 算法，来自 pyts。

直接接口到 pyts.classification.LearningShapelets 或 pyts.classification.LearningShapeletsCrossEntropy，接口类的作者是 johannfaouzi。

根据 loss 参数的值，分派到 LearningShapelets 或 LearningShapeletsCrossEntropy。

该估计器包含两个步骤：计算形状子与时间序列之间的距离，然后使用这些距离作为线性特征进行经验风险最小化。风险通过梯度下降法最小化；对于 loss="softmax"，这在数学上等同于在形状子特征上进行多项逻辑回归。该算法同时学习形状子以及分类的系数。

参数:

损失str (默认 = ‘softmax’), ‘softmax’ 或 ‘crossentropy’

要使用的损失函数。如果为“softmax”，则损失函数是 softmax 函数（逻辑损失）。分派到 LearningShapelets。如果为“crossentropy”，则损失函数是交叉熵损失。分派到 LearningShapeletsCrossEntropy。

n_shapelets_per_sizeint 或 float (默认 = 0.2)

每个大小的形状数量。如果是浮点数，它表示时间戳数量的一个分数，每个大小的形状数量等于 ceil(n_shapelets_per_size * n_timestamps)。

min_shapelet_长度int 或 float (默认 = 0.1)

shapelets 的最小长度。如果是浮点数，它表示时间戳数量的一个分数，每个大小的 shapelets 的最小长度等于 ceil(min_shapelet_length * n_timestamps)。

shapelet_scaleint (默认值 = 3)

不同尺度的形状元素长度。形状元素的长度等于 min_shapelet_length * np.arange(1, shapelet_scale + 1)。形状元素的总数（和特征数）等于 n_shapelets_per_size * shapelet_scale。

惩罚‘l1’ 或 ‘l2’ (默认 = ‘l2’)

用于指定惩罚中使用的范数。

tolfloat (默认值 = 1e-3)

停止准则的容差。

Cfloat (默认 = 1000)

正则化强度的倒数。它必须是一个正浮点数。较小的值指定更强的正则化。

学习率float (默认值 = 1.)

梯度下降优化的学习率。它必须是一个正浮点数。注意，如果损失函数没有减少，学习率将自动降低。

max_iterint (默认 = 1000)

梯度下降算法的最大迭代次数。

多类{‘multinomial’, ‘ovr’, ‘ovo’} (默认 = ‘multinomial’)

多类分类策略。仅在 loss="softmax" 时使用。选项如下：’multinomial’ 表示多项交叉熵损失。’ovr’ 表示一对多策略。’ovo’ 表示一对一策略。如果分类任务是二元的，则忽略此选项。

alphafloat (默认值 = -100)

softmin 函数中的缩放项。数值越低，软最小值将越精确。默认值应适用于标准化时间序列。

fit_interceptbool (默认 = True)

指定是否应将常数（也称为偏置或截距）添加到决策函数中。

intercept_scalingfloat (默认值 = 1.)

截距的缩放。仅在 fit_intercept=True 时使用。

class_weightdict, None 或 ‘balanced’ (默认 = None)

与类相关的权重，形式为 {class_label: weight}。如果没有给出，所有类都被认为是单位权重。’balanced’ 模式使用 y 的值来自动调整权重，这些权重与输入数据中类频率成反比，计算方式为 n_samples / (n_classes * np.bincount(y))。

n_jobsNone 或 int（默认 = None）

用于计算的作业数量。仅在 loss="softmax" 且 multi_class 为 “ovr” 或 “ovo” 时使用。

详细int (默认 = 0)

控制冗长程度。它必须是一个非负整数。如果为正，则在每次迭代时打印损失。

random_stateNone, int 或 RandomState 实例 (默认 = None)

用于在打乱数据时使用的伪随机数生成器的种子。如果为整数，random_state 是随机数生成器使用的种子。如果为 RandomState 实例，random_state 是随机数生成器。如果为 None，随机数生成器是 np.random 使用的 RandomState 实例。

属性:

shapelets_数组形状 = (n_任务, n_形状)

学习到的形状。这个数组的每个元素都是一个学习到的形状。

coef_array, shape = (n_tasks, n_shapelets) 或 (n_classes, n_shapelets)

决策函数中每个shapelet的系数。

拦截_数组，形状 = (n_tasks,) 或 (n_classes,)

添加到决策函数中的截距（也称为偏差）。如果 fit_intercept=False，则截距设置为零。

n_iter_数组, 形状 = (n_tasks,)

实际迭代次数。

注释

任务数量 (n_tasks) 取决于 multi_class 的值和类的数量。如果有两个类，任务数量等于 1。如果有超过两个类，任务数量等于：

• 1 如果 multi_class='multinomial'

• n_classes 如果 multi_class='ovr'

• n_classes * (n_classes - 1) / 2 如果 multi_class='ovo'

参考文献

[1]

J. Grabocka, N. Schilling, M. Wistuba and L. Schmidt-Thieme, “Learning Time-Series Shapelets”. International Conference on Data Mining, 14, 392-401 (2014).

方法

check_is_fitted()	检查估计器是否已被拟合。
clone()	获取一个具有相同超参数的对象副本。
clone_tags(estimator[, tag_names])	从另一个估计器克隆标签作为动态覆盖。
create_test_instance([parameter_set])	如果可能，构造估计器实例。
create_test_instances_and_names([parameter_set])	创建所有测试实例的列表及其名称的列表。
fit(X, y)	拟合时间序列分类器到训练数据。
fit_predict(X, y[, cv, change_state])	拟合并预测X中序列的标签。
fit_predict_proba(X, y[, cv, change_state])	拟合并预测X中序列的标签概率。
get_class_tag(tag_name[, tag_value_default])	获取类标签的值。
get_class_tags()	从类及其所有父类中获取类标签。
get_config()	获取 self 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, ...])	从估计器类获取标签值并动态覆盖标签。
get_tags()	从估计器类和动态标签覆盖中获取标签。
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 BaseObjects 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中加载对象。
predict(X)	预测X中序列的标签。
predict_proba(X)	预测 X 中序列的标签概率。
reset()	将对象重置为初始化后的干净状态。
save([path, serialization_format])	将序列化的自身保存到类字节对象或（.zip）文件中。
score(X, y)	在X上将预测标签与真实标签进行比较。
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, ...])	设置 random_state 伪随机种子参数为 self。
set_tags(**tag_dict)	将动态标签设置为给定值。

classmethod get_test_params(parameter_set='default')

返回估计器的测试参数设置。

参数:

参数集str, 默认值=”default”

要返回的测试参数集的名称，用于测试。如果没有为某个值定义特殊参数，将返回 "default" 集。

返回:

参数dict 或 dict 列表，默认 = {}

创建类的测试实例的参数 每个字典都是用于构造一个“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（或唯一一个）字典

check_is_fitted()

检查估计器是否已被拟合。

引发:

NotFittedError

如果估计器尚未拟合。

clone()

获取一个具有相同超参数的对象副本。

克隆是一个在初始化后状态下的不同对象，没有共享引用。此函数等同于返回 self 的 sklearn.clone。

引发:

如果克隆不符合规范，由于 __init__ 存在错误，将引发 RuntimeError。

注释

如果成功，值等于 type(self)(**self.get_params(deep=False))。

clone_tags(estimator, tag_names=None)

从另一个估计器克隆标签作为动态覆盖。

参数:

估计器继承自 :class:BaseEstimator 的估计器

tag_namesstr 或 str 列表，默认 = None

要克隆的标签名称。如果为 None，则使用估计器中的所有标签作为 tag_names。

返回:

自我

自我引用。

注释

通过在 tag_set 中设置来自估计器的标签值，改变对象状态，将其作为动态标签存储在 self 中。

classmethod create_test_instance(parameter_set='default')

如果可能，构造估计器实例。

参数:

参数集str, 默认值=”default”

要返回的测试参数集的名称，用于测试。如果没有为某个值定义特殊参数，将返回 “default” 集。

返回:

实例使用默认参数的类实例

注释

get_test_params 可以返回字典或字典列表。此函数获取 get_test_params 返回的第一个或单个字典，并用该字典构建对象。

classmethod create_test_instances_and_names(parameter_set='default')

创建所有测试实例的列表及其名称的列表。

参数:

参数集str, 默认值=”default”

要返回的测试参数集的名称，用于测试。如果没有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])

名称list of str, 与 objs 长度相同

第 i 个元素是测试中第 i 个 obj 实例的名称，约定为 {cls.__name__}-{i}，如果存在多个实例，否则为 {cls.__name__}。

fit(X, y)

拟合时间序列分类器到训练数据。

状态变化：

将状态更改为“已拟合”。

写给自己：

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

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 类型

时间序列以拟合估计器。

可以是任何 Panel scitype 的 mtype，例如：

• pd-multiindex: 具有列 = 变量，索引 = pd.MultiIndex 的 pd.DataFrame，其中第一级 = 实例索引，第二级 = 时间索引

• numpy3D: 3D np.array（任意数量的维度，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 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅 标签参考。

ysktime 兼容的表格数据容器，表格科学类型

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] 的类标签，用于拟合。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。支持的sktime类型：np.ndarray（1D，2D），pd.Series，pd.DataFrame

返回:

self自我引用。

fit_predict(X, y, cv=None, change_state=True)

拟合并预测X中序列的标签。

方便的方法来生成样本内预测和交叉验证的样本外预测。

如果 change_state=True，则写入自身：

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

如果 change_state=False，则不更新状态。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 类型

时间序列以适应并预测标签。

可以是任何 Panel scitype 的 mtype，例如：

• pd-multiindex: 具有列 = 变量，索引 = pd.MultiIndex 的 pd.DataFrame，其中第一级 = 实例索引，第二级 = 时间索引

• numpy3D: 3D np.array（任意数量的维度，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 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅 标签参考。

ysktime 兼容的表格数据容器，表格科学类型

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] 的类标签，用于拟合。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。支持的sktime类型：np.ndarray（1D，2D），pd.Series，pd.DataFrame

cvNone, int, 或 sklearn 交叉验证对象，可选，默认=None

• None : 预测是在样本内进行的，等同于 fit(X, y).predict(X)

• cv : 预测等同于 fit(X_train, y_train).predict(X_test)，其中多个 X_train、y_train、X_test 从 cv 折叠中获得。返回的 y 是所有测试折叠预测的联合，cv 测试折叠必须不相交。

• int : 等同于 cv=KFold(cv, shuffle=True, random_state=x)，即，k折交叉验证的样本外预测，其中 random_state x 取自 self 如果存在，否则 x=None

change_statebool, 可选 (默认=True)

• 如果为 False，将不会改变分类器的状态，即，fit/predict 序列在副本上运行，self 不会改变

• 如果为真，将使自身适应完整的 X 和 y，最终状态将与运行 fit(X, y) 等效。

返回:

y_pred : sktime 兼容的表格数据容器，属于 Table 类型sktime 兼容的表格数据容器，属于 Table

预测的类别标签

一维可迭代对象，形状为 [n_instances]，或二维可迭代对象，形状为 [n_instances, n_dimensions]。

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。

1D np.npdarray，如果 y 是单变量（一维）；否则，与 fit 中传入的 y 类型相同

fit_predict_proba(X, y, cv=None, change_state=True)

拟合并预测X中序列的标签概率。

方便的方法来生成样本内预测和交叉验证的样本外预测。

如果 change_state=True，则写入自身：

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

如果 change_state=False，则不更新状态。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 类型

时间序列以适应并预测标签。

可以是任何 Panel scitype 的 mtype，例如：

• pd-multiindex: 具有列 = 变量，索引 = pd.MultiIndex 的 pd.DataFrame，其中第一级 = 实例索引，第二级 = 时间索引

• numpy3D: 3D np.array（任意数量的维度，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 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅 标签参考。

ysktime 兼容的表格数据容器，表格科学类型

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] 的类标签，用于拟合。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。支持的sktime类型：np.ndarray（1D，2D），pd.Series，pd.DataFrame

cvNone, int, 或 sklearn 交叉验证对象，可选，默认=None

• None : 预测是在样本内进行的，等同于 fit(X, y).predict(X)

• cv : 预测等同于 fit(X_train, y_train).predict(X_test)，其中多个 X_train、y_train、X_test 从 cv 折叠中获得。返回的 y 是所有测试折叠预测的联合，cv 测试折叠必须不相交。

• int : 等同于 cv=KFold(cv, shuffle=True, random_state=x)，即，k折交叉验证的样本外预测，其中 random_state x 取自 self 如果存在，否则 x=None

change_statebool, 可选 (默认=True)

• 如果为 False，将不会改变分类器的状态，即，fit/predict 序列在副本上运行，self 不会改变

• 如果为真，将使自身适应完整的 X 和 y，最终状态将与运行 fit(X, y) 等效。

返回:

y_pred形状为 [n_instances, n_classes] 的二维 int 类型 np.array

预测的类别标签概率 0-th 索引对应于 X 中的实例索引 1-st 索引对应于类别索引，顺序与 self.classes_ 中的顺序相同 条目是预测的类别概率，总和为 1

classmethod get_class_tag(tag_name, tag_value_default=None)

获取类标签的值。

不返回在实例上定义的动态标签（通过 set_tags 或 clone_tags 设置）的信息。

参数:

标签名称str

标签值的名称。

tag_value_default任何

如果未找到标签，则使用默认/回退值。

返回:

标签值

self 中 tag_name 标签的值。如果未找到，则返回 tag_value_default。

classmethod get_class_tags()

从类及其所有父类中获取类标签。

从 _tags 类属性中检索标签：值对。不返回在实例上通过 set_tags 或 clone_tags 设置的动态标签信息。

返回:

collected_tagsdict

类标签名称字典：标签值对。通过嵌套继承从 _tags 类属性中收集。

get_config()

获取 self 的配置标志

返回:

config_dictdict

配置名称 : 配置值对的字典。从 _config 类属性通过嵌套继承收集，然后是 _config_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)

获取拟合参数。

状态要求：

需要状态为“已拟合”。

参数:

深度bool, 默认=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 : 值的字典，包括可拟合组件的拟合参数（= 值为 BaseEstimator 的参数）。

• 如果为 False，将返回此对象的参数名称 : 值的字典，但不包括组件的拟合参数。

返回:

fitted_params带有字符串键的字典

拟合参数的字典，paramname : paramvalue 键值对包括：

• always: 此对象的所有拟合参数，通过 get_param_names 获取的值是该键对应的拟合参数值，属于此对象。

• 如果 deep=True，还包含组件参数的键/值对，组件的参数被索引为 [componentname]__[paramname]，所有 componentname 的参数都以 paramname 的形式出现，并带有其值。

• 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 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)

获取对象的参数名称。

参数:

排序bool, 默认=True

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

返回:

param_names: list[str]

cls 的参数名称列表。如果 sort=False，则按其在类 __init__ 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:

深度bool, 默认=True

是否返回组件的参数。

• 如果为 True，将返回此对象的参数名称 : 值的字典，包括组件的参数（= BaseObject 值的参数）。

• 如果为 False，将返回此对象的参数名称 : 值的字典，但不包括组件的参数。

返回:

参数带有字符串键的字典

参数字典，paramname : paramvalue 键值对包括：

• 总是：此对象的所有参数，通过 get_param_names 获取的值是该键的参数值，此对象的值总是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，组件的参数被索引为 [componentname]__[paramname]，componentname 的所有参数都以 paramname 的形式出现，并带有其值。

• 如果 deep=True，还包含任意级别的组件递归，例如，[组件名称]__[组件组件名称]__[参数名称]，等等。

get_tag(tag_name, tag_value_default=None, raise_error=True)

从估计器类获取标签值并动态覆盖标签。

参数:

标签名称str

要检索的标签名称

tag_value_default任意类型，可选；默认=None

如果未找到标签，则使用默认/回退值

raise_error布尔

当找不到标签时是否引发 ValueError

返回:

标签值任何

在 self 中 tag_name 标签的值。如果未找到，如果 raise_error 为 True，则返回错误，否则返回 tag_value_default。

引发:

如果 raise_error 为 True，即如果 tag_name 不在其中，则引发 ValueError。

self.get_tags().keys()

get_tags()

从估计器类和动态标签覆盖中获取标签。

返回:

collected_tagsdict

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

is_composite()

检查对象是否由其他 BaseObjects 组成。

复合对象是一个包含对象的对象，作为参数。在实例上调用，因为这可能因实例而异。

返回:

composite: bool

一个对象是否有任何参数的值是 BaseObjects。

property is_fitted

是否已调用 fit。

classmethod load_from_path(serial)

从文件位置加载对象。

参数:

串行ZipFile(path).open(“object”) 的结果

返回:

反序列化自身，结果输出到 path，通过 cls.save(path)

classmethod load_from_serial(serial)

从序列化的内存容器中加载对象。

参数:

serial : cls.save(None) 输出的第一个元素输出结果的第一个元素

返回:

反序列化自身，结果输出为 serial，来自 cls.save(None)

predict(X)

预测X中序列的标签。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 类型

时间序列以预测标签。

可以是任何 Panel scitype 的 mtype，例如：

• pd-multiindex: 具有列 = 变量，索引 = pd.MultiIndex 的 pd.DataFrame，其中第一级 = 实例索引，第二级 = 时间索引

• numpy3D: 3D np.array（任意数量的维度，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 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅 标签参考。

返回:

y_pred : sktime 兼容的表格数据容器，属于 Table 类型sktime 兼容的表格数据容器，属于 Table

预测的类别标签

一维可迭代对象，形状为 [n_instances]，或二维可迭代对象，形状为 [n_instances, n_dimensions]。

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。

1D np.npdarray，如果 y 是单变量（一维）；否则，与 fit 中传入的 y 类型相同

predict_proba(X)

预测 X 中序列的标签概率。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 类型

时间序列以预测标签。

可以是任何 Panel scitype 的 mtype，例如：

• pd-multiindex: 具有列 = 变量，索引 = pd.MultiIndex 的 pd.DataFrame，其中第一级 = 实例索引，第二级 = 时间索引

• numpy3D: 3D np.array（任意数量的维度，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 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅 标签参考。

返回:

y_pred形状为 [n_instances, n_classes] 的二维 int 类型 np.array

预测的类别标签概率 0-th 索引对应于 X 中的实例索引 1-st 索引对应于类别索引，顺序与 self.classes_ 中的顺序相同 条目是预测的类别概率，总和为 1

reset()

将对象重置为初始化后的干净状态。

使用 reset，使用当前的超参数值（get_params 的结果）运行 __init__。这将移除任何对象属性，除了：

• 超参数 = __init__ 的参数

• 包含双下划线的对象属性，即字符串”__”

类和对象方法，以及类属性也不受影响。

返回:

自身

类的实例重置为初始化后的干净状态，但保留当前的超参数值。

注释

等同于 sklearn.clone 但覆盖 self。在调用 self.reset() 后，self 的值等于 type(self)(**self.get_params(deep=False))

save(path=None, serialization_format='pickle')

将序列化的自身保存到类字节对象或（.zip）文件中。

行为：如果 path 是 None，则返回内存中的序列化自身；如果 path 是一个文件位置，则将自身存储在该位置作为一个 zip 文件。

保存的文件是包含以下内容的zip文件：_metadata - 包含自身的类，即 type(self) _obj - 序列化的自身。此类使用默认的序列化（pickle）。

参数:

路径无或文件位置（字符串或路径）

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

path=”estimator” 则会在当前工作目录下生成一个名为 estimator.zip 的压缩文件。path=”/home/stored/estimator” 则会在 /home/stored/ 目录下存储一个名为 estimator.zip 的压缩文件。

serialization_format: str, default = “pickle”

用于序列化的模块。可用的选项有“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 - 内存中序列化的自身

如果 path 是文件位置 - 带有文件引用的 ZipFile

score(X, y) → float

在X上将预测标签与真实标签进行比较。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 类型

时间序列以评分预测标签。

可以是任何 Panel scitype 的 mtype，例如：

• pd-multiindex: 具有列 = 变量，索引 = pd.MultiIndex 的 pd.DataFrame，其中第一级 = 实例索引，第二级 = 时间索引

• numpy3D: 3D np.array（任意数量的维度，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 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅 标签参考。

ysktime 兼容的表格数据容器，表格科学类型

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] 的类标签，用于拟合。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。支持的sktime类型：np.ndarray（1D，2D），pd.Series，pd.DataFrame

返回:

浮点数，预测(X)与y的准确度评分

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、值及其含义如下所列：

显示str, “diagram” (默认), 或 “text”

jupyter 内核如何显示实例的自我

• “diagram” = html 盒子图表示

• “text” = 字符串打印输出

print_changed_onlybool, 默认=True

是否仅打印与默认值不同的自身参数（False），或者打印所有参数名称和值（False）。不嵌套，即仅影响自身，而不影响组件估计器。

警告str, “on” (默认), 或 “off”

是否引发警告，仅影响来自 sktime 的警告

• “on” = 将引发来自 sktime 的警告

• “off” = 不会从 sktime 引发警告

后端:并行str, 可选, 默认=”None”

在广播/矢量化时用于并行化的后端，是以下之一

• “None”: 按顺序执行循环，简单的列表推导

• “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

backend:parallel:paramsdict, 可选, 默认={} (未传递参数)

传递给并行化后端的额外参数作为配置。有效键取决于 backend:parallel 的值：

• “None”: 没有额外参数, backend_params 被忽略

• “loky”, “multiprocessing” 和 “threading”: 默认的 joblib 后端 任何有效的 joblib.Parallel 键都可以在这里传递，例如 n_jobs，除了 backend 直接由 backend 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。任何 joblib.Parallel 的有效键都可以在这里传递，例如 n_jobs，在这种情况下，backend 必须作为 backend_params 的键传递。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: 任何 dask.compute 的有效键都可以传递，例如 scheduler

返回:

self对自身的引用。

注释

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

set_params(**params)

设置此对象的参数。

该方法适用于简单估计器以及复合对象。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>。如果这使得引用明确，例如没有两个组件的参数名称相同，则也可以使用不带 <component>__ 的字符串 <parameter>。

参数:

**参数dict

BaseObject 参数，键必须是 <组件>__<参数> 字符串。如果 get_params 键中唯一，__ 后缀可以别名为完整字符串。

返回:

self引用自身（在参数设置之后）

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

设置 random_state 伪随机种子参数为 self。

通过 estimator.get_params 查找名为 random_state 的参数，并通过 set_params 将其设置为由 random_state 派生的整数。这些整数通过 sample_dependent_seed 的链哈希采样获得，并保证种子随机生成器的伪随机独立性。

根据 self_policy 应用于 estimator 中的 random_state 参数，并且仅当 deep=True 时应用于剩余的组件估计器。

注意：即使 self 没有 random_state，或者没有任何组件有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 估计器，即使它们没有 random_state 参数。

参数:

random_stateint, RandomState 实例或 None, 默认=None

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

深度bool, 默认=True

是否在子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，则还会在子估计器中设置 random_state 参数。

self_policystr, 可选值为 {“copy”, “keep”, “new”}, 默认值为 “copy”

• “复制” : estimator.random_state 被设置为输入 random_state

• “保持”：estimator.random_state 保持不变

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

源自输入 random_state，并且通常与它不同

返回:

self自我引用

set_tags(**tag_dict)

将动态标签设置为给定值。

参数:

**标签字典dict

标签名称：标签值对的字典。

返回:

自我

自我引用。

注释

通过在 tag_dict 中设置标签值，将对象状态更改为 self 中的动态标签。