平均绝对百分比误差#

class MeanAbsolutePercentageError(multioutput='uniform_average', multilevel='uniform_average', symmetric=False)[源代码][源代码]#

平均绝对百分比误差 (MAPE) 或其对称版本。

对于单变量、非层次的真实值样本 \(y_1, \dots, y_n\) 和预测值样本 \(\widehat{y}_1, \dots, \widehat{y}_n\)，在时间索引 \(t_1, \dots, t_n\) 下，evaluate 或调用返回平均绝对百分比误差，即 \(\frac{1}{n} \sum_{i=1}^n \left|\frac{y_i-\widehat{y}_i}{y_i} \right|\)。（时间索引未被使用）

如果 symmetric 为 True，则计算对称平均绝对百分比误差（sMAPE），定义为 \(\frac{2}{n} \sum_{i=1}^n \frac{|y_i - \widehat{y}_i|} {|y_i| + |\widehat{y}_i|}\)。

MAPE 和 sMAPE 输出的是非负浮点数，这些数值是以分数单位表示的，而不是百分比。最佳值是 0.0。

sMAPE 是相对于测试数据的百分比误差。因为它取的是百分比预测误差的绝对值而不是平方，所以它对大误差的惩罚小于 MSPE、RMSPE、MdSPE 或 RMdSPE。

MAPE 对误差的大小没有限制，特别是当 y_true 值接近零时。在这种情况下，函数返回一个较大的值而不是 inf。虽然 sMAPE 的上限为 2。

multioutput 和 multilevel 控制跨变量和层次索引的平均，见下文。

evaluate_by_index 返回在时间索引 \(t_i\) 处的绝对百分比误差，即 \(\left| \frac{y_i - \widehat{y}_i}{y_i} \right|\)，或者如果 symmetric 为 True，则返回对称版本 \(\frac{2|y_i - \widehat{y}_i|}{|y_i| + |\widehat{y}_i|}\)，对于输入中的所有时间索引 \(t_1, \dots, t_n\)。

参数:

对称bool, 默认 = False: 是否计算百分比指标的对称版本
多输出str 或 1D 数组类 (n_outputs,), 默认=’uniform_average’: 如果是字符串，必须是 {‘raw_values’, ‘uniform_average’} 之一，定义了如何聚合多变量（多输出）数据的度量。如果是类数组，则这些值用作平均误差的权重。如果是 ‘raw_values’，则在多输出输入的情况下返回所有误差的完整集合。如果是 ‘uniform_average’，则所有输出的误差以均匀权重平均。
多级{‘原始值’, ‘均匀平均’, ‘均匀时间平均’}: 定义如何聚合分层数据（具有层次）的指标。如果为 ‘uniform_average’（默认），误差在层次间进行均值平均。如果为 ‘uniform_average_time’，指标应用于所有数据，忽略层次索引。如果为 ‘raw_values’，不跨层次平均误差，保留层次结构。

参见

MedianAbsolutePercentageError
MeanSquaredPercentageError
中位数平方百分比误差

参考文献

Hyndman, R. J 和 Koehler, A. B. (2006)。《另一种看待预测准确度度量的方法》，《国际预测杂志》，第22卷，第4期。

示例

>>> import numpy as np
>>> from sktime.performance_metrics.forecasting import MeanAbsolutePercentageError
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> mape = MeanAbsolutePercentageError(symmetric=False)
>>> mape(y_true, y_pred)
0.33690476190476193
>>> smape = MeanAbsolutePercentageError(symmetric=True)
>>> smape(y_true, y_pred)
0.5553379953379953
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> mape(y_true, y_pred)
0.5515873015873016
>>> smape(y_true, y_pred)
0.6080808080808081
>>> mape = MeanAbsolutePercentageError(multioutput='raw_values', symmetric=False)
>>> mape(y_true, y_pred)
array([0.38095238, 0.72222222])
>>> smape = MeanAbsolutePercentageError(multioutput='raw_values', symmetric=True)
>>> smape(y_true, y_pred)
array([0.71111111, 0.50505051])
>>> mape = MeanAbsolutePercentageError(multioutput=[0.3, 0.7], symmetric=False)
>>> mape(y_true, y_pred)
0.6198412698412699
>>> smape = MeanAbsolutePercentageError(multioutput=[0.3, 0.7], symmetric=True)
>>> smape(y_true, y_pred)
0.5668686868686869

方法

`__call__`(y_true, y_pred, **kwargs)	使用底层度量函数计算度量值。
`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列表。
`evaluate`(y_true, y_pred, **kwargs)	在给定的输入上评估所需的指标。
`evaluate_by_index`(y_true, y_pred, **kwargs)	返回在每个时间点评估的指标。
`func`(y_pred[, horizon_weight, multioutput, ...])	平均绝对百分比误差 (MAPE) 或其对称版本。
`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_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和动态标签覆盖。
`get_tags`()	从估计器类获取标签和动态标签覆盖。
`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。
`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。
`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。

func(y_pred, horizon_weight=None, multioutput='uniform_average', symmetric=False, **kwargs)[源代码]#

平均绝对百分比误差 (MAPE) 或其对称版本。

如果 symmetric 为 False，则计算 MAPE；如果 symmetric 为 True，则计算对称平均绝对百分比误差（sMAPE）。MAPE 和 sMAPE 的输出均为非负浮点数。最佳值为 0.0。

sMAPE 是相对于测试数据的百分比误差。因为它取的是百分比预测误差的绝对值而不是平方，所以它对大误差的惩罚小于 MSPE、RMSPE、MdSPE 或 RMdSPE。

错误的大小没有限制，特别是在 y_true 值接近零时。在这种情况下，函数返回一个较大的值而不是 inf。

参数:

y_truepd.Series, pd.DataFrame 或形状为 (fh,) 或 (fh, n_outputs) 的 np.array，其中 fh 是预测范围: 地面实况（正确）的目标值。
y_predpd.Series, pd.DataFrame 或形状为 (fh,) 或 (fh, n_outputs) 的 np.array，其中 fh 是预测范围: 预测值。
horizon_weight形状为 (fh,) 的类数组，默认=None: 预测范围权重。
多输出{‘raw_values’, ‘uniform_average’} 或形状为 (n_outputs,) 的类数组对象，默认=’uniform_average’: 定义如何聚合多元（多输出）数据的度量。如果是类数组，则使用这些值作为权重来平均误差。如果是’raw_values’，则在多输出输入的情况下返回所有误差的完整集合。如果是’uniform_average’，则所有输出的误差以均匀权重平均。
对称bool, 默认=False: 如果为 True，则计算度量的对称版本。

返回:

损失float: MAPE 或 sMAPE 损失。如果 multioutput 是 ‘raw_values’，则分别返回每个输出的 MAPE 或 sMAPE。如果 multioutput 是 ‘uniform_average’ 或一个权重 ndarray，则返回所有输出误差的加权平均 MAPE 或 sMAPE。

参见

median_absolute_percentage_error
mean_squared_percentage_error
median_squared_percentage_error

参考文献

Hyndman, R. J 和 Koehler, A. B. (2006)。《另一种看待预测准确度度量的方法》，《国际预测杂志》，第22卷，第4期。

示例

>>> from sktime.performance_metrics.forecasting import     mean_absolute_percentage_error
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> mean_absolute_percentage_error(y_true, y_pred, symmetric=False)
0.33690476190476193
>>> mean_absolute_percentage_error(y_true, y_pred, symmetric=True)
0.5553379953379953
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> mean_absolute_percentage_error(y_true, y_pred, symmetric=False)
0.5515873015873016
>>> mean_absolute_percentage_error(y_true, y_pred, symmetric=True)
0.6080808080808081
>>> mean_absolute_percentage_error(y_true, y_pred, multioutput='raw_values',         symmetric=False)
array([0.38095238, 0.72222222])
>>> mean_absolute_percentage_error(y_true, y_pred, multioutput='raw_values',         symmetric=True)
array([0.71111111, 0.50505051])
>>> mean_absolute_percentage_error(y_true, y_pred, multioutput=[0.3, 0.7],     symmetric=False)
0.6198412698412699
>>> mean_absolute_percentage_error(y_true, y_pred, multioutput=[0.3, 0.7],     symmetric=True)
0.5668686868686869

classmethod get_test_params(parameter_set='default')[源代码][源代码]#

返回估计器的测试参数设置。

参数:

参数集str, 默认值为”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:

参数字典或字典列表，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

__call__(y_true, y_pred, **kwargs)[源代码]#

使用底层度量函数计算度量值。

参数:

y_true : sktime 兼容数据容器格式的时序数据。时间序列

地面实况（正确）的目标值。

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

Series 类型 = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）
Panel 类型 = 时间序列集合，全局/面板预测。pd.DataFrame 带有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame
Hierarchical 类型 = 分层集合，用于分层预测。pd.DataFrame 带有3个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关使用方法，请参阅预测教程 examples/01_forecasting.ipynb

y_pred : sktime 兼容数据容器格式的时间序列时间序列

用于评估的预测值。必须与 y_true 格式相同，如果索引的话，索引和列也必须相同。

y_pred_benchmark : 可选，时间序列，格式为 sktime 兼容的数据容器格式可选的，时间序列

基准预测用于比较 y_pred ，用于相对指标。仅当指标需要基准预测时才需要，如标签 requires-y-pred-benchmark 所示。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则索引和列相同。

y_train : 可选, 时间序列, 格式为 sktime 兼容的数据容器可选的，时间序列

用于归一化误差度量的训练数据。仅当度量需要训练数据时才需要，如标签 requires-y-train 所示。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则列相同，但索引不一定相同。

sample_weight可选，一维数组形式，默认=None

每个时间点的样本权重。

如果 None，时间索引被认为是等权重的。
如果是一个数组，必须是1D。如果 y_true 和 y_pred 是一个单一的时间序列，sample_weight 必须与 y_true 的长度相同。如果时间序列是面板或层次结构，所有单个时间序列的长度必须相同，并且等于 sample_weight 的长度，对于传递的所有时间序列实例。

返回:

损失float, np.ndarray, 或 pd.DataFrame

计算的指标，按变量平均或计算。如果提供了 sample_weight，则按其加权。

float 如果 multioutput="uniform_average" 或类似数组，且 multilevel="uniform_average" 或 “uniform_average_time”``。值为指标在变量和级别上的平均值（参见类文档字符串）
如果 multioutput=”raw_values” 且 multilevel=”uniform_average” 或 “uniform_average_time”，则为形状为 (y_true.columns,) 的 np.ndarray。第 i 个条目是第 i 个变量的指标计算结果。
pd.DataFrame 如果 multilevel="raw_values"。形状为 (n_levels, )，如果 multioutput="uniform_average"；形状为 (n_levels, y_true.columns) 如果 multioutput="raw_values"。指标按层级应用，行平均（是/否）如 multioutput 中所示。

clone()[源代码]#

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。

Raises:

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)[源代码]#

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 BaseEstimator 的估计器
标签名称str 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

通过从估计器中设置 tag_set 中的标签值来更改对象状态，作为 self 中的动态标签。

classmethod create_test_instance(parameter_set='default')[源代码]#

如果可能，构造估计器实例。

参数:

参数集str, 默认值为”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，并用其构建对象。

classmethod create_test_instances_and_names(parameter_set='default')[源代码]#

创建所有测试实例的列表及其名称列表。

参数:

参数集str, 默认值为”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__}

evaluate(y_true, y_pred, **kwargs)[源代码]#

在给定的输入上评估所需的指标。

参数:

y_true : sktime 兼容数据容器格式的时序数据。时间序列

地面实况（正确）的目标值。

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

Series 类型 = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）
Panel 类型 = 时间序列集合，全局/面板预测。pd.DataFrame 带有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame
Hierarchical 类型 = 分层集合，用于分层预测。pd.DataFrame 带有3个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关使用方法，请参阅预测教程 examples/01_forecasting.ipynb

y_pred : sktime 兼容数据容器格式的时间序列时间序列

用于评估的预测值。必须与 y_true 格式相同，如果索引的话，索引和列也必须相同。

y_pred_benchmark : 可选，时间序列，格式为 sktime 兼容的数据容器格式可选的，时间序列

基准预测用于比较 y_pred ，用于相对指标。仅当指标需要基准预测时才需要，如标签 requires-y-pred-benchmark 所示。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则索引和列相同。

y_train : 可选, 时间序列, 格式为 sktime 兼容的数据容器可选的，时间序列

用于归一化误差度量的训练数据。仅当度量需要训练数据时才需要，如标签 requires-y-train 所示。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则列相同，但索引不一定相同。

sample_weight可选，一维数组形式，默认=None

每个时间点的样本权重。

如果 None，时间索引被认为是等权重的。
如果是一个数组，必须是1D。如果 y_true 和 y_pred 是一个单一的时间序列，sample_weight 必须与 y_true 的长度相同。如果时间序列是面板或层次结构，所有单个时间序列的长度必须相同，并且等于 sample_weight 的长度，对于传递的所有时间序列实例。

返回:

损失float, np.ndarray, 或 pd.DataFrame

计算的指标，按变量平均或计算。如果提供了 sample_weight，则按其加权。

float 如果 multioutput="uniform_average" 或类似数组，且 multilevel="uniform_average" 或 “uniform_average_time”``。值为指标在变量和级别上的平均值（参见类文档字符串）
如果 multioutput=”raw_values” 且 multilevel=”uniform_average” 或 “uniform_average_time”，则为形状为 (y_true.columns,) 的 np.ndarray。第 i 个条目是第 i 个变量的指标计算结果。
pd.DataFrame 如果 multilevel="raw_values"。形状为 (n_levels, )，如果 multioutput="uniform_average"；形状为 (n_levels, y_true.columns) 如果 multioutput="raw_values"。指标按层级应用，行平均（是/否）如 multioutput 中所示。

evaluate_by_index(y_true, y_pred, **kwargs)[源代码]#

返回在每个时间点评估的指标。

参数:

y_true : sktime 兼容数据容器格式的时序数据。时间序列

地面实况（正确）的目标值。

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

Series 类型 = 单个时间序列，普通预测。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）
Panel 类型 = 时间序列集合，全局/面板预测。pd.DataFrame 带有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame
Hierarchical 类型 = 分层集合，用于分层预测。pd.DataFrame 带有3个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关使用方法，请参阅预测教程 examples/01_forecasting.ipynb

y_pred : sktime 兼容数据容器格式的时间序列时间序列

用于评估的预测值。必须与 y_true 格式相同，如果索引的话，索引和列也必须相同。

y_pred_benchmark : 可选，时间序列，格式为 sktime 兼容的数据容器格式可选的，时间序列

基准预测用于比较 y_pred ，用于相对指标。仅当指标需要基准预测时才需要，如标签 requires-y-pred-benchmark 所示。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则索引和列相同。

y_train : 可选, 时间序列, 格式为 sktime 兼容的数据容器可选的，时间序列

用于归一化误差度量的训练数据。仅当度量需要训练数据时才需要，如标签 requires-y-train 所示。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则列相同，但索引不一定相同。

sample_weight可选，一维数组形式，默认=None

每个时间点的样本权重。

如果 None，时间索引被认为是等权重的。
如果是一个数组，必须是1D。如果 y_true 和 y_pred 是一个单一的时间序列，sample_weight 必须与 y_true 的长度相同。如果时间序列是面板或层次结构，所有单个时间序列的长度必须相同，并且等于 sample_weight 的长度，对于传递的所有时间序列实例。

返回:

损失pd.Series 或 pd.DataFrame

按时间点计算的指标（默认=刀切法伪值）。如果提供了 sample_weight，则按权重计算。

pd.Series 如果 multioutput="uniform_average" 或类数组。索引等于 y_true 的索引；索引 i 处的条目是时间 i 处的指标，在变量上取平均值
pd.DataFrame 如果 multioutput="raw_values"。索引和列与 y_true 相同；第 i,j 个条目是时间 i 和变量 j 处的指标

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

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

classmethod get_class_tags()[源代码]#

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。不返回从实例中定义的动态标签（通过 set_tags 或 clone_tags 设置）的信息。

返回:

collected_tagsdict: 类标签名称的字典：标签值对。通过嵌套继承从 _tags 类属性中收集。

get_config()[源代码]#

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，然后从 _onfig_dynamic 对象属性中覆盖和新标签。

classmethod get_param_defaults()[源代码]#

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)[源代码]#

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，则按它们在类 __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)[源代码]#

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。

如果为真，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

参数的字典，paramname : paramvalue 键值对包括：

总是：通过 get_param_names 获取此对象的所有参数，这些参数值为此对象键的参数值，这些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]，所有 componentname 的参数都以其值作为 paramname 出现。
如果 deep=True，还包含任意层级的组件递归，例如，[componentname]__[componentcomponentname]__[paramname] 等。

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

从估计器类获取标签值和动态标签覆盖。

参数:

标签名称str: 要检索的标签名称
tag_value_default任何类型，可选；默认=无: 如果未找到标签，则使用默认/回退值
raise_error布尔值: 当标签未找到时是否引发 ValueError

返回:

标签值任何: 在 self 中 tag_name 标签的值。如果未找到，当 raise_error 为 True 时返回错误，否则返回 tag_value_default。

Raises:

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()[源代码]#

从估计器类获取标签和动态标签覆盖。

返回:

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

is_composite()[源代码]#

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: 一个对象是否具有任何值为 BaseObjects 的参数。

classmethod load_from_path(serial)[源代码]#

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)[源代码]#

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)

reset()[源代码]#

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: 类的实例重置为干净的初始化后状态，但保留当前的超参数值。

注释

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

save(path=None, serialization_format='pickle')[源代码]#

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 为 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（cwd）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。可用的选项是 “pickle” 和 “cloudpickle”。请注意，非默认格式可能需要安装其他软依赖。

返回:

如果 path 为 None - 内存中序列化的 self
如果 path 是文件位置 - 带有文件引用的 ZipFile

set_config(**config_dict)[源代码]#

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 self 的实例

“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），或打印所有参数名称和值（False）。不嵌套，即仅影响自身，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，可以是以下之一

“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附加参数作为配置。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)[源代码]#

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。对于复合对象，即包含其他对象的对象，可以使用参数键字符串 <component>__<parameter> 来访问组件 <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是 <parameter>，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 <component>__<parameter> 字符串。如果 __ 后缀在 get_params 键中是唯一的，则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')[源代码]#

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 将它们设置为由 random_state 派生的整数。这些整数通过 sample_dependent_seed 的链式哈希采样得到，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 被设置为一个新随机状态，

源自输入 random_state，并且通常与其不同

返回:

self自我引用

set_tags(**tag_dict)[源代码]#

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。