高斯HMM

class GaussianHMM(n_components: int = 1, covariance_type: str = 'diag', min_covar: float = 0.001, startprob_prior: float = 1.0, transmat_prior: float = 1.0, means_prior: float = 0, means_weight: float = 0, covars_prior: float = 0.01, covars_weight: float = 1, algorithm: str = 'viterbi', random_state: float | None = None, n_iter: int = 10, tol: float = 0.01, verbose: bool = False, params: str = 'stmc', init_params: str = 'stmc', implementation: str = 'log')

带有高斯发射的隐马尔可夫模型。

参数:

n_components整数

状态数量

协方差类型{“球面”, “对角”, “完全”, “捆绑”}, 可选

要使用的协方差参数类型：* “spherical” — 每个状态使用一个单一的方差值，

适用于所有功能。

• “diag” — 每个状态使用一个对角协方差矩阵

  （默认）。

• “full” — 每个状态使用一个完整的（即无限制的）

  协方差矩阵。

• “tied” — 每个状态的所有混合成分使用 相同的

  全协方差矩阵（注意这与 GaussianHMM 不同）。

min_covar浮点数，可选

对协方差矩阵的对角线进行下限处理以防止过拟合。默认为 1e-3。

means_prior, means_weight数组，形状 (n_mix, )，可选

正态先验分布的均值和精度为 means_。

covars_prior, covars_weight数组，形状 (n_mix, )，可选

协方差矩阵 covars_ 的先验分布参数。如果 covariance_type 是 “spherical” 或 “diag”，先验是逆伽马分布，否则 — 是逆威沙特分布。

startprob_prior数组，形状 (n_components, )，可选

Dirichlet 先验分布的参数用于 startprob_。

transmat_prior数组，形状 (n_components, n_components)，可选

转移概率 transmat_ 的每一行的狄利克雷先验分布的参数

算法{“viterbi”, “map”}，可选

解码器算法。

random_state: RandomState 或一个整数种子，可选

一个随机数生成器实例。

n_iterint, 可选

要执行的最大迭代次数。

tol浮点数，可选

收敛阈值。如果对数似然增益低于此值，EM算法将停止。

详细bool, 可选

是否将每次迭代的收敛报告打印到 sys.stderr。 也可以使用 monitor_ 属性来诊断收敛情况。

params, init_params字符串，可选

在训练期间更新 (params) 或在训练前初始化 (init_params) 的参数。可以包含任意组合的 ‘s’ 表示 startprob，’t’ 表示 transmat，’m’ 表示 means，’c’ 表示 covars。默认包含所有参数。

实现: 字符串, 可选

确定前向-后向算法是使用对数（”log”）实现，还是使用缩放（”scaling”）实现。默认情况下，为了向后兼容，使用对数。

属性:

n_features整数

高斯发射的维度。

monitor_ConvergenceMonitor

用于检查EM收敛的监控对象。

startprob_数组，形状 (n_components, )

初始状态占据分布。

transmat_array, 形状 (n_components, n_components)

状态间转移概率矩阵。

means_array, 形状 (n_components, n_features)

每个州的平均参数。

covars_数组

每个状态的协方差参数。形状取决于 covariance_type： * (n_components, ) 如果为 “spherical”， * (n_components, n_features) 如果为 “diag”， * (n_components, n_features, n_features) 如果为 “full”， * (n_features, n_features) 如果为 “tied”。

示例

>>> from sktime.annotation.hmm_learn import GaussianHMM 
>>> from sktime.annotation.datagen import piecewise_normal 
>>> data = piecewise_normal( 
...    means=[2, 4, 1], lengths=[10, 35, 40], random_state=7
...    ).reshape((-1, 1))
>>> model = GaussianHMM(algorithm='viterbi', n_components=2) 
>>> model = model.fit(data) 
>>> labeled_data = model.predict(data) 

方法

change_points_to_segments(y_sparse[, start, end])	将一系列变化点索引转换为段落。
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 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列表。
dense_to_sparse(y_dense)	将注释器的密集输出转换为稀疏格式。
fit(X[, Y])	拟合训练数据。
fit_predict(X[, Y])	拟合数据，然后进行预测。
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。
predict(X)	在测试/部署数据上创建注释。
predict_points(X)	预测测试/部署数据中的变化点/异常。
predict_scores(X)	返回测试/部署数据上预测注释的分数。
predict_segments(X)	在测试/部署数据上预测片段。
reset()	将对象重置为初始化后的干净状态。
sample([n_samples, random_state, currstate])	允许用户从其HMM中采样的接口类。
save([path, serialization_format])	将序列化的自身保存到类字节对象或 (.zip) 文件中。
segments_to_change_points(y_sparse)	将片段转换为变化点。
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, ...])	为 self 设置 random_state 伪随机种子参数。
set_tags(**tag_dict)	将动态标签设置为给定值。
sparse_to_dense(y_sparse, index)	将标注器的稀疏输出转换为密集格式。
transform(X)	在测试/部署数据上创建注释。
update(X[, Y])	使用新数据和可选的地面实况注释更新模型。
update_predict(X)	使用新数据更新模型并为其创建注释。

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。

返回:

参数字典或字典列表

static change_points_to_segments(y_sparse, start=None, end=None)

将一系列变化点索引转换为段落。

参数:

y_sparsepd.Series

包含变化点索引的序列。

开始可选的

第一段落的起点。

结束可选的

最后一段的结束点

返回:

pd.Series

一个带有区间索引的系列，表示各段的起始和结束点。该系列的值是各段的标签。

示例

>>> import pandas as pd
>>> from sktime.annotation.base._base import BaseSeriesAnnotator
>>> change_points = pd.Series([1, 2, 5])
>>> BaseSeriesAnnotator.change_points_to_segments(change_points, 0, 7)
[0, 1)   -1
[1, 2)    1
[2, 5)    2
[5, 7)    3
dtype: int64

check_is_fitted()

检查估计器是否已被拟合。

Raises:

NotFittedError

如果估计器尚未拟合。

clone()

获取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)

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__}。

static dense_to_sparse(y_dense)

将注释器的密集输出转换为稀疏格式。

参数:

y_densepd.Series

• 如果 y_sparse 只包含 1 和 0，那么 1 代表变化点或异常。

• 如果 y_sparse 仅包含大于 0 的整数，它是一个段数组。

返回:

pd.Series

• 如果 y_sparse 是一系列变化点/异常点，将返回一个包含变化点/异常点索引的 pandas 系列。

• 如果 y_sparse 是一系列片段，将返回一个带有区间数据类型索引的序列。该序列的值将是片段的标签。

fit(X, Y=None)

拟合训练数据。

参数:

Xpd.DataFrame

用于拟合模型的训练数据（时间序列）。

Ypd.Series, 可选

如果标注者是受监督的，则为训练提供基础真值标注。

返回:

自身

自我引用。

注释

创建一个已拟合的模型，更新以“_”结尾的属性。将 _is_fitted 标志设置为 True。

fit_predict(X, Y=None)

拟合数据，然后进行预测。

使用给定的注释参数将模型拟合到 X 和 Y，并返回模型生成的注释。

参数:

Xpd.DataFrame, pd.Series 或 np.ndarray

要转换的数据

Ypd.Series 或 np.ndarray，可选（默认=None）

要预测的数据的目标值。

返回:

selfpd.Series

序列 X 的注释的确切格式取决于注释类型。

fit_transform(X, Y=None)

拟合数据，然后进行转换。

使用给定的注释参数将模型拟合到 X 和 Y，并返回模型生成的注释。

参数:

Xpd.DataFrame, pd.Series 或 np.ndarray

要转换的数据

Ypd.Series 或 np.ndarray，可选（默认=None）

要预测的数据的目标值。

返回:

selfpd.Series

序列 X 的注释的确切格式取决于注释类型。

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，将返回一个包含参数名称 : 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。

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

参数字典，paramname : paramvalue 键值对包括：

• 总是：通过 get_param_names 获取的此对象的所有参数，其值为此键的参数值，此对象的值始终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 的所有参数都以其值的形式显示为 paramname。

• 如果 deep=True，还包含任意级别的组件递归，例如，[componentname]__[componentcomponentname]__[paramname] 等。

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布尔值

当标签未找到时是否引发 ValueError

返回:

标签值任何

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。

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()

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。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

一个对象是否具有任何值为 BaseObjects 的参数。

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中的第一个元素

返回:

反序列化自身，结果输出为 serial，来自 cls.save(None)

predict(X)

在测试/部署数据上创建注释。

参数:

Xpd.DataFrame

要注释的数据（时间序列）。

返回:

Ypd.Series

序列 X 的注释的确切格式取决于注释类型。

predict_points(X)

预测测试/部署数据中的变化点/异常。

参数:

Xpd.DataFrame

要注释的数据，时间序列。

返回:

Ypd.Series

一系列其值为 X 中的变化点/异常的序列。

predict_scores(X)

返回测试/部署数据上预测注释的分数。

参数:

Xpd.DataFrame

要注释的数据（时间序列）。

返回:

Ypd.Series

序列 X 的得分具体格式取决于注释类型。

predict_segments(X)

在测试/部署数据上预测片段。

参数:

Xpd.DataFrame

要注释的数据，时间序列。

返回:

Ypd.Series

带有区间索引的系列。每个区间是一个段的范围，相应的值是该段的标签。

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 但覆盖了 self。在调用 self.reset() 之后，self 的值等于 type(self)(**self.get_params(deep=False))

sample(n_samples=1, random_state=None, currstate=None)

允许用户从其HMM中采样的接口类。

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 是 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

static segments_to_change_points(y_sparse)

将片段转换为变化点。

参数:

y_sparsepd.DataFrame

一系列片段。索引必须是区间数据类型，而值应该是片段的整数标签。

返回:

pd.Series

包含每个段落起始索引的序列。

示例

>>> import pandas as pd
>>> from sktime.annotation.base._base import BaseSeriesAnnotator
>>> segments = pd.Series(
...     [3, -1, 2],
...     index=pd.IntervalIndex.from_breaks([2, 5, 7, 9], closed="left")
... )
>>> BaseSeriesAnnotator.segments_to_change_points(segments)
0    2
1    5
2    7
dtype: int64

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，是以下之一

• “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

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 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 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 <组件>__<参数> 字符串。如果 get_params 键中唯一，__ 后缀可以别名完整字符串。

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')

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，或者没有任何组件具有 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。

static sparse_to_dense(y_sparse, index)

将标注器的稀疏输出转换为密集格式。

参数:

y_sparsepd.Series

• 如果 y_sparse 是一个带有区间索引的序列，它应该表示每个序列值是某个区间标签的段。未分类的区间应标记为 -1。段绝不能有标签 0。

• 如果 y_sparse 的索引不是一组区间，则序列的值应表示变化点/异常的索引。

索引类数组

根据 y_sparse 进行标注的索引。

返回:

pd.Series

返回一个索引为 index 的系列。* 如果 y_sparse 是一个变化点/异常点的系列，则返回

系列被标记为 0 和 1，取决于索引是否与异常/变化点相关联。其中 1 表示异常/变化点。

• 如果 y_sparse 是一系列片段，那么返回的序列会根据其索引所在的片段进行标记。落在任何片段外的索引会被标记为 -1。

示例

>>> import pandas as pd
>>> from sktime.annotation.base._base import BaseSeriesAnnotator
>>> y_sparse = pd.Series([2, 5, 7])  # Indices of changepoints/anomalies
>>> index = range(0, 8)
>>> BaseSeriesAnnotator.sparse_to_dense(y_sparse, index=index)
0    0
1    0
2    1
3    0
4    0
5    1
6    0
7    1
dtype: int64
>>> y_sparse = pd.Series(
...     [1, 2, 1],
...     index=pd.IntervalIndex.from_arrays(
...         [0, 4, 6], [4, 6, 10], closed="left"
...     )
... )
>>> index = range(10)
>>> BaseSeriesAnnotator.sparse_to_dense(y_sparse, index=index)
0    1
1    1
2    1
3    1
4    2
5    2
6    1
7    1
8    1
9    1
dtype: int64

transform(X)

在测试/部署数据上创建注释。

参数:

Xpd.DataFrame

要注释的数据（时间序列）。

返回:

Ypd.Series

序列 X 的注释。返回的注释将以密集格式呈现。

update(X, Y=None)

使用新数据和可选的地面实况注释更新模型。

参数:

Xpd.DataFrame

用于更新模型的训练数据（时间序列）。

Ypd.Series, 可选

如果标注者是受监督的，则为训练提供基础真值标注。

返回:

自身

自我引用。

注释

更新拟合的模型，该模型更新以“_”结尾的属性。

update_predict(X)

使用新数据更新模型并为其创建注释。

参数:

Xpd.DataFrame

用于更新模型的训练数据，时间序列。

返回:

Ypd.Series

序列 X 的注释的确切格式取决于注释类型。

注释

更新拟合的模型，该模型更新以“_”结尾的属性。