KalmanFilterTransformerPK

class KalmanFilterTransformerPK(state_dim, state_transition=None, transition_offsets=None, measurement_offsets=None, process_noise=None, measurement_noise=None, measurement_function=None, initial_state=None, initial_state_covariance=None, estimate_matrices=None, denoising=False)

卡尔曼滤波器，来自 pykalman（sktime 原生维护分支）。

卡尔曼滤波器是一种无监督算法，由几个数学方程组成，用于创建过程状态的估计。

卡尔曼滤波器通常用于数据去噪，或推断数据的隐藏状态。

此类是 pykalman 包在 sktime 中的适配器。KalmanFilterTransformerPK 根据布尔输入参数 denoising 实现隐藏推断状态和去噪。此外，KalmanFilterTransformerPK 通过期望最大化（EM）算法 [2] 提供参数优化，由 pykalman 实现。

由于 pykalman 包不再维护，sktime 现在包含了一个更新维护的 pykalman 包的分支。

维护分支也可以直接在 sktime.libs.pykalman 中访问。

参数:

state_dim整数

系统状态特征维度。

状态转换np.ndarray，可选（默认=None）

形状为 (state_dim, state_dim) 或 (time_steps, state_dim, state_dim)。状态转移矩阵，也称为 F，是一个描述基础序列在连续时间周期中移动方式的矩阵。

process_noisenp.ndarray，可选（默认=None）

形状为 (state_dim, state_dim) 或 (time_steps, state_dim, state_dim)。过程噪声矩阵，也称为 Q，动态模型的不确定性。

measurement_noisenp.ndarray，可选（默认=None）

形状为 (measurement_dim, measurement_dim) 或 (time_steps, measurement_dim, measurement_dim)。测量噪声矩阵，也称为 R，表示测量的不确定性。

measurement_functionnp.ndarray，可选（默认=None）

形状为 (measurement_dim, state_dim) 或 (time_steps, measurement_dim, state_dim)。测量方程矩阵，也称为 H，用于调整测量维度以匹配状态维度。

初始状态np.ndarray，可选（默认=None）

形状为 (state_dim,) 的初始估计系统状态，也称为 X0。

初始状态协方差np.ndarray，可选（默认=None）

形状为 (state_dim, state_dim)。初始估计系统状态协方差，也称为 P0。

transition_offsetsnp.ndarray，可选（默认=None）

形状为 (state_dim,) 或 (time_steps, state_dim)。状态偏移量，也称为 b，如 pykalman 中所述。

measurement_offsetsnp.ndarray，可选（默认=None）

形状为 (measurement_dim,) 或 (time_steps, measurement_dim)。观测（测量）偏移量，也称为 d，如 pykalman 中所述。

降噪bool, 可选 (默认=False)。

此参数影响 transform。如果为 False，则 transform 将推断隐藏状态。如果为 True，则使用 pykalman 的 smooth 进行去噪。

估计矩阵str 或 str 列表，可选（默认=None）。

子集 [state_transition, measurement_function, process_noise, measurement_noise, initial_state, initial_state_covariance, transition_offsets, measurement_offsets] 或 - all。如果 estimate_matrices 是一个字符串的可迭代对象，只有 estimate_matrices 中的矩阵将使用 EM 算法进行估计，如 pykalman 中所述。如果 estimate_matrices 是 all，那么所有矩阵都将使用 EM 算法进行估计。

注意 - 由EM算法估计的参数假设为常数。

属性:

is_fitted

是否已调用 fit。

参见

KalmanFilterTransformerFP

卡尔曼滤波器转换器，将 FilterPy 包适配到 sktime。

注释

pykalman KalmanFilter 文档 :

https://pykalman.github.io/#kalmanfilter

参考文献

[1]

Greg Welch 和 Gary Bishop，“卡尔曼滤波器简介”，2006年 https://www.cs.unc.edu/~welch/media/pdf/kalman_intro.pdf

[2]

R.H.Shumway 和 D.S.Stoffer 的 “一种基于EM算法的时间序列平滑和预测方法”, 1982 https://www.stat.pitt.edu/stoffer/dss_files/em.pdf

>>> import numpy as np  
>>> import sktime.transformations.series.kalman_filter as kf
>>> time_steps, state_dim, measurement_dim = 10, 2, 3
>>>
>>> X = np.random.rand(time_steps, measurement_dim) * 10
>>> transformer = kf.KalmanFilterTransformerPK(state_dim=state_dim) 
>>> X_transformed = transformer.fit_transform(X=X)  

去噪、矩阵估计和缺失值的示例：

>>> import numpy as np  
>>> import sktime.transformations.series.kalman_filter as kf
>>> time_steps, state_dim, measurement_dim = 10, 2, 2
>>>
>>> X = np.random.rand(time_steps, measurement_dim)
>>> # missing value
>>> X[0][0] = np.nan
>>>
>>> # If matrices estimation is required, elements of ``estimate_matrices``
>>> # are assumed to be constants.
>>> transformer = kf.KalmanFilterTransformerPK(  
...     state_dim=state_dim,
...     measurement_noise=np.eye(measurement_dim),
...     denoising=True,
...     estimate_matrices=['measurement_noise']
...     )
>>>
>>> X_transformed = transformer.fit_transform(X=X)  

动态输入示例（每个时间步的矩阵）和缺失值：

>>> import numpy as np  
>>> import sktime.transformations.series.kalman_filter as kf
>>> time_steps, state_dim, measurement_dim = 10, 4, 4
>>>
>>> X = np.random.rand(time_steps, measurement_dim)
>>> # missing values
>>> X[0] = [np.NaN for i in range(measurement_dim)]
>>>
>>> # Dynamic input -
>>> # ``state_transition`` provide different matrix for each time step.
>>> transformer = kf.KalmanFilterTransformerPK(  
...     state_dim=state_dim,
...     state_transition=np.random.rand(time_steps, state_dim, state_dim),
...     estimate_matrices=['initial_state', 'initial_state_covariance']
...     )
>>>
>>> X_transformed = transformer.fit_transform(X=X)  

方法

check_is_fitted()	检查估计器是否已被拟合。
clone()	获取具有相同超参数的对象克隆。
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 Estimator 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])	将变换器拟合到 X，可选地拟合到 y。
fit_transform(X[, y])	拟合数据，然后进行转换。
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。
inverse_transform(X[, y])	对 X 进行逆变换并返回逆变换后的版本。
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。
transform(X[, y])	转换 X 并返回一个转换后的版本。
update(X[, y, update_params])	使用 X 更新转换器，可选地使用 y。

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，用于测试中。如果没有为某个值定义特殊参数，将返回 "default" 集。目前没有为转换器保留的值。

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

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()

获取具有相同超参数的对象克隆。

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，将对象状态更改为 self 中的动态标签。

classmethod create_test_instance(parameter_set='default')

如果可能，构造 Estimator 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，并使用该字典构建对象。

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=None)

将变换器拟合到 X，可选地拟合到 y。

状态变化：

将状态更改为“已拟合”。

写给自己：

• 设置以“_”结尾的拟合模型属性，拟合属性可以通过 get_fitted_params 进行检查。

• 将 self.is_fitted 标志设置为 True。

• 如果 self.get_tag("remember_data") 为 True，则将 X 记忆为 self._X，并强制转换为 self.get_tag("X_inner_mtype")。

参数:

X : 以 sktime 兼容数据容器格式表示的时间序列时间序列在

要拟合转换的数据。

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。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)

• Panel 类型 = 时间序列集合。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 = 时间序列的分层集合。pd.DataFrame 具有3个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

关于数据格式的更多细节，请参阅关于 mtype 的术语表。关于使用方法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，数据为 sktime 兼容的数据格式，默认=None

附加数据，例如，转换的标签 如果 self.get_tag("requires_y") 是 True，必须在 fit 中传递，不是可选的。关于所需格式的详细信息，请参见类文档字符串。

返回:

自身估计器的拟合实例

fit_transform(X, y=None)

拟合数据，然后进行转换。

将转换器拟合到 X 和 y，并返回 X 的转换版本。

状态变化：

将状态更改为“已拟合”。

写入自身: _is_fitted : 标志设置为 True。 _X : X, 如果 remember_data 标签为 True，则为 X 的强制复制。

在可能的情况下，可能通过引用强制转换为内部类型或与 update_data 兼容的类型。

模型属性（以“_”结尾）：依赖于估计器

参数:

X : 以 sktime 兼容数据容器格式表示的时间序列时间序列在

要拟合变换的数据，以及要变换的数据。

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。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)

• Panel 类型 = 时间序列集合。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 = 时间序列的分层集合。pd.DataFrame 具有3个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

关于数据格式的更多细节，请参阅关于 mtype 的术语表。关于使用方法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，数据为 sktime 兼容的数据格式，默认=None

附加数据，例如，转换的标签 如果 self.get_tag("requires_y") 是 True，必须在 fit 中传递，不是可选的。关于所需格式的详细信息，请参见类文档字符串。

返回:

X 的转换版本

类型取决于 X 的类型和 scitype:transform-output 标签：

X | tf-output | 返回类型 |

|----------|————–|------------------------| | Series | Primitives | pd.DataFrame (1-row) | | Panel | Primitives | pd.DataFrame | | Series | Series | Series | | Panel | Series | Panel | | Series | Panel | Panel |

返回中的实例对应于 X 中的实例

表格中未列出的组合目前不支持

明确地，带有示例：

如果 X 是 Series`（例如，`pd.DataFrame），并且 transform-output 是 Series

然后返回的是一个相同m类型的单个 Series 示例：去趋势化一个单个序列

如果 X 是 Panel`（例如，`pd-multiindex）并且 transform-output 是 Series

然后返回的是与 X 实例数量相同的 Panel

(转换器应用于每个输入的 Series 实例)

示例：面板中的所有序列都分别进行了去趋势处理

如果 X 是 Series 或 Panel 并且 transform-output 是 Primitives

然后返回的是 pd.DataFrame，其行数与 X 中的实例数相同。示例：返回的第 i 行包含第 i 个序列的均值和方差。

如果 X 是 Series 且 transform-output 是 Panel

然后返回的是一个类型为 pd-multiindex 的 Panel 对象。示例：输出的第 i 个实例是第 i 个窗口在 X 上运行。

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（= 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：

• 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 [组件名称]__[参数名称]，组件名称 的所有参数以 参数名称 及其值的形式出现。

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

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：此对象的所有参数，通过 get_param_names 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 [组件名称]__[参数名称]，组件名称 的所有参数以 参数名称 及其值的形式出现。

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

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。

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。

inverse_transform(X, y=None)

对 X 进行逆变换并返回逆变换后的版本。

目前假设只有带有标签的变压器

“scitype:transform-input”=”Series”, “scitype:transform-output”=”Series”,

具有一个 inverse_transform。

状态要求：

需要状态为“已拟合”。

在自身中的访问：

• 以“_”结尾的拟合模型属性

• self.is_fitted 必须为 True

参数:

X : 以 sktime 兼容数据容器格式表示的时间序列时间序列在

要拟合转换的数据。

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。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)

• Panel 类型 = 时间序列集合。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 = 时间序列的分层集合。pd.DataFrame 具有3个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

关于数据格式的更多细节，请参阅关于 mtype 的术语表。关于使用方法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，数据为 sktime 兼容的数据格式，默认=None

附加数据，例如，用于转换的标签。某些转换器需要这些数据，详情请参阅类文档字符串。

返回:

X 的逆变换版本

与 X 类型相同，并符合 mtype 格式规范

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(路径).open(“对象”) 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() 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” 则在当前工作目录下会生成一个名为 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 - 内存中序列化的自身

如果 path 是文件位置 - 带有文件引用的 ZipFile

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），或者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”

是否发出警告，仅影响来自 sktime 的警告

• “on” = 将从 sktime 引发警告

• “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

输入转换str, 可以是 “on” (默认), “off”, 或有效的 mtype 字符串

控制输入检查和转换，用于 _fit、_transform、_inverse_transform、_update

• "on" - 执行输入检查和转换

• "off" - 在将数据传递给内部方法之前，不进行输入检查和转换。

• 有效的 mtype 字符串 - 假设输入已指定 mtype，进行转换但不做检查

输出转换str, 可以是 “on”, “off”, 有效的 mtype 字符串

控制 _transform 和 _inverse_transform 的输出转换

• "on" - 如果 input_conversion 是 “on”，则执行输出转换

• "off" - _transform 和 _inverse_transform 的输出直接返回

• 有效的 mtype 字符串 - 输出被转换为指定的 mtype

返回:

自身对自身的引用。

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 <component>__<parameter> 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:

自身引用自身（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 将它们设置为由 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，即使那些没有 random_state 参数的估计器。

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 int 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，并且通常与它不同

返回:

自身自我引用

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。

transform(X, y=None)

转换 X 并返回一个转换后的版本。

状态要求：

需要状态为“已拟合”。

在自身中的访问：

• 以“_”结尾的拟合模型属性

• self.is_fitted 必须为 True

参数:

X : 以 sktime 兼容数据容器格式表示的时间序列时间序列在

要转换的数据。

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。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)

• Panel 类型 = 时间序列集合。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 = 时间序列的分层集合。pd.DataFrame 具有3个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

关于数据格式的更多细节，请参阅关于 mtype 的术语表。关于使用方法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，数据为 sktime 兼容的数据格式，默认=None

附加数据，例如，用于转换的标签。某些转换器需要这些数据，详情请参阅类文档字符串。

返回:

X 的转换版本

类型取决于 X 的类型和 scitype:transform-output 标签：

	transform
X	-output	返回类型
Series	基本元素	pd.DataFrame (1行)
Panel	基本元素	pd.DataFrame
Series	Series	Series
Panel	Series	Panel
Series	Panel	Panel

返回中的实例对应于 X 中的实例

表格中未列出的组合目前不支持

明确地，带有示例：

如果 X 是 Series`（例如，`pd.DataFrame），并且 transform-output 是 Series

然后返回的是一个相同m类型的单个 Series 示例：去趋势化一个单个序列

如果 X 是 Panel`（例如，`pd-multiindex）并且 transform-output 是 Series

然后返回的是与 X 实例数量相同的 Panel

(转换器应用于每个输入的 Series 实例)

示例：面板中的所有序列都分别进行了去趋势处理

如果 X 是 Series 或 Panel 并且 transform-output 是 Primitives

然后返回的是 pd.DataFrame，其行数与 X 中的实例数相同。示例：返回的第 i 行包含第 i 个序列的均值和方差。

如果 X 是 Series 且 transform-output 是 Panel

然后返回的是一个类型为 pd-multiindex 的 Panel 对象。示例：输出的第 i 个实例是第 i 个窗口在 X 上运行。

update(X, y=None, update_params=True)

使用 X 更新转换器，可选地使用 y。

状态要求：

需要状态为“已拟合”。

在自身中的访问：

• 以“_”结尾的拟合模型属性

• self.is_fitted 必须为 True

写给自己：

• 以“_”结尾的拟合模型属性

• 如果 remember_data 标签为 True，则通过 update_data 将 X 中的值写入 self._X。

参数:

X : 以 sktime 兼容数据容器格式表示的时间序列时间序列在

数据更新转换

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。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)

• Panel 类型 = 时间序列集合。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 = 时间序列的分层集合。pd.DataFrame 具有3个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

关于数据格式的更多细节，请参阅关于 mtype 的术语表。关于使用方法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，数据为 sktime 兼容的数据格式，默认=None

附加数据，例如，用于转换的标签。某些转换器需要这些数据，详情请参阅类文档字符串。

返回:

自身估计器的拟合实例