ComposableTimeSeriesForestRegressor

class ComposableTimeSeriesForestRegressor(estimator=None, n_estimators=100, criterion='squared_error', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, max_leaf_nodes=None, min_impurity_decrease=0.0, bootstrap=False, oob_score=False, n_jobs=None, random_state=None, verbose=0, warm_start=False, max_samples=None)

时间序列森林回归器。

时间序列森林是一个元估计器，也是随机森林对时间序列/面板数据的适应，它在转换数据集的多个子样本上拟合多个决策树回归器，并使用平均法来提高预测精度和控制过拟合。子样本的大小始终与原始输入样本大小相同，但如果 ``bootstrap=True``（默认），则样本会进行有放回抽样。

参数:

估计器管道

一个由序列到表格的转换组成的管道，以及一个作为最终估计器的决策树回归器。

n_estimators整数，可选（默认值=100）

森林中树木的数量。

标准字符串，可选（默认值为“squared_error”）

用于衡量分割质量的函数。支持的标准有“squared_error”用于均方误差，这等同于作为特征选择标准的方差减少，并使用每个终端节点的平均值最小化L2损失，“friedman_mse”使用带有Friedman改进分数的均方误差来评估潜在的分割，“absolute_error”用于平均绝对误差，这使用每个终端节点的中位数最小化L1损失，以及“poisson”使用泊松偏差的减少来寻找分割。

max_depth整数或 None，可选（默认=None）

树的最大深度。如果为 None，则节点会一直扩展，直到所有叶子都是纯的，或者直到所有叶子包含的样本数少于 min_samples_split。

min_samples_splitint, float, 可选 (默认=2)

拆分内部节点所需的最小样本数： - 如果是整数，则将 min_samples_split 视为最小值。 - 如果是浮点数，则 min_samples_split 是一个分数，

ceil(min_samples_split * n_samples) 是每个分割所需的最小样本数。

min_samples_leafint, float, 可选 (默认=1)

叶节点所需的最小样本数。在任何深度的分割点只有在它使得左分支和右分支中至少留下 min_samples_leaf 个训练样本时才会被考虑。这可能会对模型产生平滑效果，特别是在回归中。 - 如果是整数，则将 min_samples_leaf 视为最小值。 - 如果是浮点数，则 min_samples_leaf 是一个分数和

ceil(min_samples_leaf * n_samples) 是每个节点的最小样本数。

min_weight_fraction_leaffloat, 可选 (默认值=0.)

在叶节点上所需的最小加权分数，该分数是所有输入样本权重总和的一部分。当未提供 sample_weight 时，样本具有相等的权重。

max_featuresint, float, string 或 None, 可选 (默认值为”auto”)

在寻找最佳分割时需要考虑的特征数量： - 如果是整数，则在每次分割时考虑 max_features 个特征。 - 如果是浮点数，则 max_features 是一个分数和

在每次分割时，考虑 int(max_features * n_features) 个特征。

• 如果为“auto”，则 max_features=sqrt(n_features)。

• 如果是“sqrt”，那么 max_features=sqrt(n_features) （与“auto”相同）。

• 如果为“log2”，则 max_features=log2(n_features)。

• 如果为 None，则 max_features=n_features。

注意：寻找分割的过程不会停止，直到至少找到一个有效的节点样本分区，即使这需要实际检查超过 max_features 个特征。

max_leaf_nodesint 或 None, 可选 (默认=None)

以最佳优先的方式使用 max_leaf_nodes 生长树。最佳节点定义为不纯度的相对减少。如果为 None，则叶节点的数量不受限制。

min_impurity_decreasefloat, 可选 (默认值=0.)

如果这种分割导致的杂质减少量大于或等于此值，则节点将被分割。加权杂质减少方程如下:

N_t / N * (impurity - N_t_R / N_t * right_impurity
                    - N_t_L / N_t * left_impurity)

其中 N 是样本总数，N_t 是当前节点的样本数，N_t_L 是左子节点的样本数，N_t_R 是右子节点的样本数。如果传递了 sample_weight，N、N_t、N_t_R 和 N_t_L 均指加权和。

bootstrap布尔值，可选（默认=True）

在构建树时是否使用引导样本。

oob_scorebool (默认=False)

是否使用袋外样本来估计泛化精度。

n_jobsint 或 None, 可选 (默认=None)

fit 和 predict 并行运行的作业数量。None 意味着 1，除非在 joblib.parallel_backend 上下文中。-1 意味着使用所有处理器。

random_stateint, RandomState 实例或 None, 可选 (默认=None)

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。

详细int, 可选 (默认=0)

控制拟合和预测时的详细程度。

warm_startbool, 可选 (默认=False)

当设置为 True 时，重用上一次调用 fit 的解决方案，并在集成中添加更多估计器，否则，就拟合一个全新的森林。

None, 可选 (默认=None)

与类关联的权重，形式为 {class_label: weight}。如果未给出，则所有类别的权重均为一。对于多输出问题，可以按 y 列的顺序提供字典列表。请注意，对于多输出（包括多标签）问题，权重应为每个列的每个类在其自己的字典中定义。例如，对于四类多标签分类，权重应为 [{0: 1, 1: 1}, {0: 1, 1: 5}, {0: 1, 1: 1}, {0: 1, 1: 1}] 而不是 [{1:1}, {2:5}, {3:1}, {4:1}]。“balanced” 模式使用 y 的值自动调整权重，与输入数据中的类别频率成反比，计算公式为 n_samples / (n_classes * np.bincount(y))。“balanced_subsample” 模式与“balanced”相同，只是权重是基于每个生长的树的引导样本计算的。对于多输出，y 的每一列的权重将被乘以。请注意，如果指定了 sample_weight（通过 fit 方法传递），这些权重将与 sample_weight 相乘。

属性:

estimators_决策树回归器列表

拟合的子估计器的集合。

n_features_整数

执行 fit 时的特征数量。

n_outputs_整数

执行 fit 时的输出数量。

feature_importances_形状为 [n_features] 的数组

计算时间序列森林的特征重要性。

oob_score_浮动

使用袋外估计获得的训练数据集的分数。

oob_decision_function_形状为 [n_samples, n_classes] 的数组

使用训练集上的袋外估计计算的决策函数。如果 n_estimators 很小，可能会有数据点在自举过程中从未被排除。在这种情况下，oob_decision_function_ 可能包含 NaN。

class_weight: dict, list of dicts, “balanced”, “balanced_subsample” 或 None, 可选 (default=None)

在这里不需要，在构造函数中添加以与基类对齐，同时共享分类器和回归器参数。

方法

apply(X)	由具体估计器实现的抽象方法。
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列表。
decision_path(X)	决策树的决策路径。
fit(X, y, **kwargs)	包装以调用 BaseRegressor.fit。
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_metadata_routing()	获取此对象的元数据路由。
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])	获取此估计器的参数。
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, **kwargs)	将预测包装为调用 BaseRegressor.predict。
predict_proba(X, **kwargs)	封装 predict_proba 以调用 BaseRegressor.predict_proba。
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[, multioutput])	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_fit_request(*[, sample_weight])	传递给 fit 方法的请求元数据。
set_params(**params)	设置此估计器的参数。
set_random_state([random_state, deep, ...])	为 self 设置 random_state 伪随机种子参数。
set_score_request(*[, multioutput])	传递给 score 方法的请求元数据。
set_tags(**tag_dict)	将动态标签设置为给定值。

fit(X, y, **kwargs)

包装以调用 BaseRegressor.fit。

这是一个解决多重继承问题的修复。问题在于，如果我们只是覆盖 _fit，这个类会继承 sklearn 类 BaseTimeSeriesForest 的 fit。这是最简单的解决方案，尽管有点 hacky。

predict(X, **kwargs) → ndarray

将预测包装为调用 BaseRegressor.predict。

predict_proba(X, **kwargs) → ndarray

封装 predict_proba 以调用 BaseRegressor.predict_proba。

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

apply(X)

由具体估计器实现的抽象方法。

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 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，并用其构建对象。

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 的实例列表

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 obj 的第 i 个实例的名称，约定为 {cls.__name__}-{i}，如果存在多个实例，否则为 {cls.__name__}

decision_path(X)

决策树的决策路径。

由具体估计器实现的抽象方法。

property estimators_samples_

每个基础估计器绘制的样本子集。

返回一个动态生成的索引列表，标识用于拟合集成中每个成员的样本，即袋内样本。

注意：每次调用属性时都会重新创建列表，以通过不存储采样数据来减少对象的内存占用。因此，获取属性可能会比预期的慢。

property feature_importances_

计算时间序列森林的特征重要性。

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

在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。

• 如果为真，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（= BaseEstimator 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：

• 总是：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 的参数都以其值的形式显示为 paramname。

• 如果 deep=True，还包含任意层级的组件递归，例如，[componentname]__[componentcomponentname]__[paramname]，等等。

get_metadata_routing()

获取此对象的元数据路由。

请查看 用户指南 以了解路由机制的工作原理。

返回:

路由MetadataRequest

一个封装了路由信息的 MetadataRequest。

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)

获取此估计器的参数。

参数:

深度bool, 默认=True

如果为真，将返回此估计器及其包含的子对象（这些子对象也是估计器）的参数。

返回:

参数dict

参数名称映射到它们的值。

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

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

当未找到标签时是否引发 ValueError

返回:

tag_value任何

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。

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)

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 但覆盖了 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')

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 保存到内存对象中；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项。

返回:

如果 path 是 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

score(X, y, multioutput='uniform_average') → 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，面板科学类型，例如，

pd-multiindex: 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: 形状为 [n_instances, n_dimensions, series_length] 的 3D np.array（任意数量的维度，等长序列）或任何其他支持的 Panel mtype，对于 mtype 列表，请参见 datatypes.SCITYPE_REGISTER 的规范，参见 examples/AA_datatypes_and_datasets.ipynb 的示例

y2D np.array 类型，形状为 [n_instances, n_dimensions] 的整数数组 - 回归标签

用于拟合的索引对应于 X 中的实例索引或形状为 [n_instances] 的一维 np.array 整数数组 - 用于拟合的回归标签对应于 X 中的实例索引

多输出str, 可选 (默认值=”uniform_average”)

{“raw_values”, “uniform_average”, “variance_weighted”}, 形状为 (n_outputs,) 或 None 的类数组对象, 默认值为 “uniform_average”。定义多个输出分数的聚合方式。类数组对象定义用于平均分数的权重。

返回:

float（默认）或 1D np.array of float

预测(X) 与 y 的 R-squared 得分，如果 multioutput=”uniform_average” 或 “variance_weighted”，或者 y 是单变量，则为浮点数；如果 multioutput=”raw_values” 且 y 是多变量，则为 1D np.array。

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、值及其含义如下所示：

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，是其中之一

• “None”: 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

后端:并行:参数dict, 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:

自身自我引用。

注释

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

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → ComposableTimeSeriesForestRegressor

传递给 fit 方法的请求元数据。

请注意，此方法仅在 enable_metadata_routing=True 时相关（参见 sklearn.set_config）。请参阅 用户指南 了解路由机制的工作原理。

每个参数的选项是：

• True: 请求元数据，并在提供时传递给 fit。如果未提供元数据，则忽略该请求。

• False: 不请求元数据，元估计器不会将其传递给 fit。

• None: 不请求元数据，如果用户提供了元数据，元估计器将引发错误。

• str: 元数据应使用此给定的别名传递给元估计器，而不是原始名称。

默认 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有的请求。这允许你为某些参数更改请求，而不更改其他参数。

在 1.3 版本加入.

备注

只有当这个估计器作为元估计器的子估计器使用时，例如在 Pipeline 内部使用时，这个方法才相关。否则，它没有效果。

参数:

sample_weightstr, True, False, 或 None, default=sklearn.utils.metadata_routing.UNCHANGED

fit 方法中 sample_weight 参数的元数据路由。

返回:

自身对象

更新后的对象。

set_params(**params)

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

参数:

**参数dict

估计器参数。

返回:

自身估计器实例

估计器实例。

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

为 self 设置 random_state 伪随机种子参数。

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 的链式哈希采样获得，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 被设置为输入的 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，并且通常与它不同

返回:

自身自我引用

set_score_request(*, multioutput: bool | None | str = '$UNCHANGED$') → ComposableTimeSeriesForestRegressor

传递给 score 方法的请求元数据。

请注意，此方法仅在 enable_metadata_routing=True 时相关（参见 sklearn.set_config）。请参阅 用户指南 了解路由机制的工作原理。

每个参数的选项是：

• True: 请求元数据，并在提供时传递给 score。如果未提供元数据，则忽略请求。

• False: 不请求元数据，元估计器不会将其传递给 score。

• None: 不请求元数据，如果用户提供了元数据，元估计器将引发错误。

• str: 元数据应使用此给定的别名传递给元估计器，而不是原始名称。

默认 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有的请求。这允许你为某些参数更改请求，而不更改其他参数。

在 1.3 版本加入.

备注

只有当这个估计器作为元估计器的子估计器使用时，例如在 Pipeline 内部使用时，这个方法才相关。否则，它没有效果。

参数:

多输出str, True, False, 或 None, default=sklearn.utils.metadata_routing.UNCHANGED

score 方法中 multioutput 参数的元数据路由。

返回:

自身对象

更新后的对象。

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。