`tslearn.svm`.TimeSeriesSVR¶

class tslearn.svm.TimeSeriesSVR(C=1.0, kernel='gak', degree=3, gamma='auto', coef0=0.0, tol=0.001, epsilon=0.1, shrinking=True, cache_size=200, n_jobs=None, verbose=0, max_iter=-1)[source]¶

时间序列特定的支持向量回归器。

Parameters:

Cfloat, optional (default=1.0)

误差项的惩罚参数C。

kernelstring, optional (default=’gak’)

指定算法中使用的核类型。它必须是‘gak’或sklearn.svm.SVC接受的核之一。如果未给出，将使用‘gak’。如果给出了一个可调用对象，它用于从数据矩阵预计算核矩阵；该矩阵应为形状为(n_samples, n_samples)的数组。

degreeint, optional (default=3)

多项式核函数的次数（'poly'）。所有其他核函数忽略此参数。

gammafloat, optional (default=’auto’)

‘gak’、‘rbf’、‘poly’ 和 ‘sigmoid’ 的核系数。如果 gamma 是 ‘auto’，则：

对于‘gak’核，它是基于训练集的采样计算的（参见tslearn.metrics.gamma_soft_dtw）
对于其他内核（例如‘rbf’），将使用1/n_features。

coef0float, optional (default=0.0)

核函数中的独立项。它仅在‘poly’和‘sigmoid’中显著。

tolfloat, optional (default=1e-3)

停止准则的容差。

epsilonfloat, optional (default=0.1)

Epsilon在epsilon-SVR模型中。它指定了epsilon管，在该管内，训练损失函数中与实际值距离在epsilon内的预测点不会受到惩罚。

shrinkingboolean, optional (default=True)

是否使用收缩启发式方法。

cache_sizefloat, optional (default=200.0)

指定内核缓存的大小（以MB为单位）。

n_jobsint or None, optional (default=None)

用于GAK交叉相似矩阵计算的并行作业数。 None 表示1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。更多详情请参阅scikit-learn的 Glossary。

verboseint, default: 0

启用详细输出。请注意，此设置利用了libsvm中的每个进程运行时设置，如果启用，在多线程环境中可能无法正常工作。

max_iterint, optional (default=-1)

求解器内的迭代次数硬限制，或-1表示无限制。

Attributes:

support_array-like, shape = [n_SV]: 支持向量的索引。
support_vectors_array of shape [n_SV, sz, d]: tslearn 数据集格式中的支持向量
dual_coef_array, shape = [1, n_SV]: 决策函数中支持向量的系数。
coef_array, shape = [1, n_features]: 分配给特征的权重（原始问题中的系数）。这仅在线性核的情况下可用。coef_ 是从 dual_coef_ 和 support_vectors_ 派生的只读属性。
intercept_array, shape = [1]: 决策函数中的常量。
sample_weightarray-like, shape = [n_samples]: 每个样本的个体权重
svm_estimator_sklearn.svm.SVR: 底层的sklearn估计器

参考文献

快速全局对齐核。 Marco Cuturi。 ICML 2011。

示例

>>> from tslearn.generators import random_walk_blobs
>>> X, y = random_walk_blobs(n_ts_per_blob=10, sz=64, d=2, n_blobs=2)
>>> import numpy
>>> y = y.astype(float) + numpy.random.randn(20) * .1
>>> reg = TimeSeriesSVR(kernel="gak", gamma="auto")
>>> reg.fit(X, y).predict(X).shape
(20,)
>>> sv = reg.support_vectors_
>>> sv.shape  
(..., 64, 2)
>>> sv.shape[0] <= 20
True

方法

`fit`(X, y[, sample_weight])	根据给定的训练数据拟合SVM模型。
`get_metadata_routing`()	获取此对象的元数据路由。
`get_params`([deep])	获取此估计器的参数。
`predict`(X)	预测给定时间序列的类别。
`score`(X, y[, sample_weight])	返回预测的决定系数。
`set_fit_request`(*[, sample_weight])	请求传递给`fit`方法的元数据。
`set_params`(**params)	设置此估计器的参数。
`set_score_request`(*[, sample_weight])	传递给`score`方法的请求元数据。

fit(X, y, sample_weight=None)[source]¶

根据给定的训练数据拟合SVM模型。

Parameters:

Xarray-like of shape=(n_ts, sz, d): 时间序列数据集。
yarray-like of shape=(n_ts, ): 时间序列标签。
sample_weightarray-like of shape (n_samples,), default=None: 每个样本的权重。重新调整每个样本的C值。较高的权重会迫使分类器更加重视这些点。

get_metadata_routing()[source]¶

获取此对象的元数据路由。

请查看用户指南了解路由机制的工作原理。

Returns:

routingMetadataRequest: 一个封装了路由信息的MetadataRequest。

get_params(deep=True)[source]¶

获取此估计器的参数。

Parameters:

deepbool, default=True: 如果为True，将返回此估计器及其包含的子对象（如果也是估计器）的参数。

Returns:

paramsdict: 参数名称映射到它们的值。

predict(X)[source]¶

预测给定时间序列集合的类别。

Parameters:

Xarray-like of shape=(n_ts, sz, d): 时间序列数据集。

Returns:

array of shape=(n_ts, ) or (n_ts, dim_output), depending on the shape
of the target vector provided at training time.: 预测目标

score(X, y, sample_weight=None)[source]¶

返回预测的确定系数。

决定系数$R^2$定义为$(1 - \frac{u}{v})$，其中$u$是残差平方和((y_true - y_pred)** 2).sum()，而$v$是总平方和((y_true - y_true.mean()) ** 2).sum()。最佳可能得分为1.0，且可能为负（因为模型可能任意更差）。一个总是预测y期望值的常数模型，忽略输入特征，将获得$R^2$得分为0.0。

Parameters:

Xarray-like of shape (n_samples, n_features): 测试样本。对于某些估计器，这可能是一个预计算的内核矩阵或一个形状为(n_samples, n_samples_fitted)的通用对象列表，其中n_samples_fitted是用于估计器拟合的样本数量。
yarray-like of shape (n_samples,) or (n_samples, n_outputs): X的真实值。
sample_weightarray-like of shape (n_samples,), default=None: 样本权重。

Returns:

scorefloat: $R^2$ 的 self.predict(X) 相对于 y。

注释

在回归器上调用score时使用的$R^2$分数从0.23版本开始使用multioutput='uniform_average'，以保持与r2_score()的默认值一致。这影响了所有多输出回归器的score方法（除了MultiOutputRegressor）。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → TimeSeriesSVR[source]¶

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: 元数据应该使用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）保留现有的请求。这允许您更改某些参数的请求，而不更改其他参数。

版本1.3中的新功能。

注意

此方法仅在此估计器用作元估计器的子估计器时相关，例如在Pipeline内部使用。否则它没有效果。

Parameters:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: fit 方法中 sample_weight 参数的元数据路由。

Returns:

selfobject: 更新后的对象。

set_params(**params)[source]¶

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）。后者具有形式为<component>__<parameter>的参数，以便可以更新嵌套对象的每个组件。

Parameters:

**paramsdict: 估计器参数。

Returns:

selfestimator instance: 估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → TimeSeriesSVR[source]¶

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，则忽略该请求。
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: 元数据应该使用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）保留现有的请求。这允许您更改某些参数的请求，而不更改其他参数。

版本1.3中的新功能。

注意

此方法仅在此估计器用作元估计器的子估计器时相关，例如在Pipeline内部使用。否则它没有效果。

Parameters:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: 元数据路由用于score中的sample_weight参数。

Returns:

selfobject: 更新后的对象。

tslearn.svm.TimeSeriesSVR¶

`tslearn.svm`.TimeSeriesSVR¶