TimeSeriesForestClassifier#

class TimeSeriesForestClassifier(min_interval=3, n_estimators=200, inner_series_length: int | None = None, n_jobs=1, random_state=None)[源代码][源代码]#

时间序列森林分类器。

时间序列森林是建立在随机区间上的决策树集合。概述：输入n个长度为m的序列。对于每棵树

  • 样本 sqrt(m) 区间，

  • 计算每个区间的均值、标准差和斜率，连接形成新的

数据集，如果内部序列长度已设置，则在长度为 inner_series_length 的区间内进行采样。 - 在新数据集上构建决策树。

通过平均概率估计来集成树。

这个实现与原始版本在细节上有所不同。它采用有放回的区间采样，并且没有使用[1]中描述的分割标准微调。

出于性能考虑，此分类器有意设计为低配置性。

  • 对于一个更可配置的基于树的集成模型，使用 sktime.classification.ensemble.ComposableTimeSeriesForestClassifier，它还允许切换基础估计器。

  • 要构建一个具有可配置集成、基础估计器和/或特征提取的时间序列森林，完全从可组合的模块构建，可以将 sktime.classification.ensemble.BaggingClassifier 与任何分类器管道结合，例如，将任何 sklearn 分类器与任何时间序列特征提取管道化，例如， Summarizer

参数:
n_estimatorsint, 默认值=200

为集成模型构建的估计器数量。

min_intervalint, 默认值=3

区间的最小长度。

n_jobsint, 默认=1

fit 和 predict 并行运行的作业数量。-1 表示使用所有处理器。

inner_series_length: int, default=None

确定从X中提取区间的唯一段的最大长度。这有助于防止提取跨越不同内部系列的区间。

random_stateint 或 None, 默认=None

随机数生成的种子。

属性:
n_classes_整数

类的数量。

classes_列表

类标签。

feature_importances_pandas 数据框，形状为 (series_length, 3)

返回时间特征的重要性。

注释

对于Java版本，请参见 TSML 。

java/tsml/classifiers/interval_based/TSF.java>`_.

参考文献

[1]

H.Deng, G.Runger, E.Tuv 和 M.Vladimir, “用于分类和特征提取的时间序列森林”, 信息科学, 239, 2013

示例

>>> from sktime.classification.interval_based import TimeSeriesForestClassifier
>>> from sktime.datasets import load_unit_test
>>> X_train, y_train = load_unit_test(split="train", return_X_y=True)
>>> X_test, y_test = load_unit_test(split="test", return_X_y=True)
>>> clf = TimeSeriesForestClassifier(n_estimators=5)
>>> clf.fit(X_train, y_train)
TimeSeriesForestClassifier(n_estimators=5)
>>> y_pred = clf.predict(X_test)

方法

apply(X)

将森林中的树应用于 X，返回叶索引。

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)

返回森林中的决策路径。

fit(X, y, **kwargs)

包装以调用 BaseClassifier.fit。

fit_predict(X, y[, cv, change_state])

拟合并预测X中序列的标签。

fit_predict_proba(X, y[, cv, change_state])

拟合并预测X中序列的标签概率。

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 BaseClassifier.predict。

predict_log_proba(X)

预测 X 的类别对数概率。

predict_proba(X, **kwargs)

包装 predict_proba 以调用 BaseClassifier.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[, sample_weight])

返回给定测试数据和标签的平均准确率。

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(*[, sample_weight])

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)[源代码][源代码]#

包装以调用 BaseClassifier.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 中的 fit。这是最简单的解决方案，尽管有点 hacky。

predict(X, **kwargs) → ndarray[源代码][源代码]#

将预测包装为调用 BaseClassifier.predict。

predict_proba(X, **kwargs) → ndarray[源代码][源代码]#

包装 predict_proba 以调用 BaseClassifier.predict_proba。

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。对于分类器，应提供一个“default”参数集用于一般测试，如果一般集不能产生适合比较的概率，则应提供一个“results_comparison”集用于与之前记录的结果进行比较。

返回:
参数字典或字典列表，默认={}

用于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。

property feature_importances_: DataFrame[源代码]#

返回时间特征的重要性。

在 sktime.base._panel.forest._composable 中有一个时间特征重要性的实现，但在 TimeseriesForestClassifier 继承自 sktime.base._panel.forest._tsf.py，该文件中没有 feature_importance_。

其他特征重要性方法的实现：>>> from sktime.base._panel.forest._composable import BaseTimeSeriesForest

返回:
feature_importances_pandas 数据框，形状为 (series_length, 3)

每个特征类型（均值、标准差、斜率）的特征重要性。

apply(X)[源代码]#

将森林中的树应用于 X，返回叶索引。

参数:
X{array-like, sparse matrix} 形状为 (n_samples, n_features)

输入样本。在内部，其数据类型将被转换为 dtype=np.float32。如果提供了稀疏矩阵，它将被转换为稀疏的 csr_matrix。

返回:
X_leaves形状为 (n_samples, n_estimators) 的 ndarray

对于X中的每个数据点x，以及森林中的每棵树，返回x最终所在的叶子的索引。

check_is_fitted()[源代码]#

检查估计器是否已被拟合。

引发:
NotFittedError

如果估计器尚未拟合。

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。

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)[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
tag_namesstr 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')[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，并使用该字典构建对象。

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 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__}

decision_path(X)[源代码]#

返回森林中的决策路径。

在 0.18 版本加入.

参数:
X{array-like, sparse matrix} 形状为 (n_samples, n_features)

输入样本。在内部，其数据类型将被转换为 dtype=np.float32。如果提供了稀疏矩阵，它将被转换为稀疏的 csr_matrix。

返回:
指标形状为 (n_samples, n_nodes) 的稀疏矩阵

返回一个节点指示矩阵，其中非零元素表示样本经过这些节点。矩阵采用CSR格式。

n_nodes_ptr形状为 (n_estimators + 1,) 的 ndarray

indicator[n_nodes_ptr[i]:n_nodes_ptr[i+1]] 列给出了第 i 个估计器的指示值。

property estimators_samples_[源代码]#

每个基础估计器所抽取的样本子集。

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。

fit_predict(X, y, cv=None, change_state=True)[源代码]#

拟合并预测X中序列的标签。

用于生成样本内预测和交叉验证的样本外预测的便捷方法。

如果 change_state=True，则写入自身：

将 self.is_fitted 设置为 True。设置以 “_” 结尾的拟合模型属性。

如果 change_state=False，则不更新状态。

参数:
Xsktime 兼容的时间序列面板数据容器，属于 Panel 类型

时间序列以拟合并预测标签。

可以在任何 Panel 类型 的 科学 中使用，例如：

  • pd-multiindex: 具有列 = 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: 3D np.array (任意数量的维度，等长的序列)，形状为 [n_instances, n_dimensions, series_length]

  • 或任何其他支持的 Panel mtype

有关mtypes的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅 标签参考。

ysktime 兼容的表格数据容器，表格科学类型

1D 可迭代对象，形状为 [n_instances] 或 2D 可迭代对象，形状为 [n_instances, n_dimensions] 的类标签，用于拟合。第0个索引对应X中的实例索引，第1个索引（如果适用）对应X中的多输出向量索引。支持的sktime类型：np.ndarray（1D，2D），pd.Series，pd.DataFrame

cvNone, int, 或 sklearn 交叉验证对象, 可选, 默认=None

  • None : 预测是样本内的，等同于 fit(X, y).predict(X)

  • cv : 预测等同于 fit(X_train, y_train).predict(X_test)，其中多个 X_train、y_train、X_test 从 cv 折叠中获得。返回的 y 是所有测试折叠预测的并集，cv 测试折叠必须不相交。

  • int : 等同于 cv=KFold(cv, shuffle=True, random_state=x)，即，k折交叉验证的样本外预测，其中 random_state x 取自 self 如果存在，否则 x=None

change_statebool, 可选 (默认=True)

  • 如果为 False，将不会改变分类器的状态，即，fit/predict 序列在副本上运行，self 不会改变

  • 如果为真，将使自身适应完整的 X 和 y，最终状态将等同于运行 fit(X, y)

返回:
y_pred : sktime 兼容的表格数据容器，属于 Table 类型sktime 兼容的表格数据容器，属于 Table

预测的类别标签

一维可迭代对象，形状为 [n_instances]，或二维可迭代对象，形状为 [n_instances, n_dimensions]。

0-th 索引对应于 X 中的实例索引，1-st 索引（如果适用）对应于 X 中的多输出向量索引。

1D np.npdarray，如果 y 是单变量（一维）；否则，与 fit 中传入的 y 类型相同

fit_predict_proba(X, y, cv=None, change_state=True)[源代码]#

拟合并预测X中序列的标签概率。

用于生成样本内预测和交叉验证的样本外预测的便捷方法。

如果 change_state=True，则写入自身：

将 self.is_fitted 设置为 True。设置以 “_” 结尾的拟合模型属性。

如果 change_state=False，则不更新状态。

参数:
Xsktime 兼容的时间序列面板数据容器，属于 Panel 类型

时间序列以拟合并预测标签。

可以在任何 Panel 类型 的 科学 中使用，例如：

  • pd-multiindex: 具有列 = 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: 3D np.array (任意数量的维度，等长的序列)，形状为 [n_instances, n_dimensions, series_length]

  • 或任何其他支持的 Panel mtype

有关mtypes的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅 标签参考。

ysktime 兼容的表格数据容器，表格科学类型

1D 可迭代对象，形状为 [n_instances] 或 2D 可迭代对象，形状为 [n_instances, n_dimensions] 的类标签，用于拟合。第0个索引对应X中的实例索引，第1个索引（如果适用）对应X中的多输出向量索引。支持的sktime类型：np.ndarray（1D，2D），pd.Series，pd.DataFrame

cvNone, int, 或 sklearn 交叉验证对象, 可选, 默认=None

  • None : 预测是样本内的，等同于 fit(X, y).predict(X)

  • cv : 预测等同于 fit(X_train, y_train).predict(X_test)，其中多个 X_train、y_train、X_test 从 cv 折叠中获得。返回的 y 是所有测试折叠预测的并集，cv 测试折叠必须不相交。

  • int : 等同于 cv=KFold(cv, shuffle=True, random_state=x)，即，k折交叉验证的样本外预测，其中 random_state x 取自 self 如果存在，否则 x=None

change_statebool, 可选 (默认=True)

  • 如果为 False，将不会改变分类器的状态，即，fit/predict 序列在副本上运行，self 不会改变

  • 如果为真，将使自身适应完整的 X 和 y，最终状态将等同于运行 fit(X, y)

返回:
y_pred形状为 [n_instances, n_classes] 的二维 int 类型 np.array

预测的类别标签概率 0-th 索引对应于 X 中的实例索引 1-st 索引对应于类别索引，顺序与 self.classes_ 中的顺序相同 条目是预测的类别概率，总和为 1

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:
tag_value

self 中 tag_name 标签的值。如果未找到，则返回 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，然后是 _config_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)[源代码]#

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：

  • always: 此对象的所有拟合参数，通过 get_param_names 获取。值为此对象在该键下的拟合参数值。

  • 如果 deep=True，还包括组件参数的键/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_metadata_routing()[源代码]#

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()[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，则按其在类 __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]#

获取此估计器的参数。

参数:
深度bool, 默认=True

如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。

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)[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=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

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。

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()[源代码]#

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。通过嵌套继承从 _tags 类属性中收集，然后从 _tags_dynamic 对象属性中覆盖和新标签。

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

一个对象是否有任何参数的值是 BaseObjects。

property is_fitted[源代码]#

是否已调用 fit。

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，产生输出 serial，来自 cls.save(None)
predict_log_proba(X)[源代码]#

预测 X 的类别对数概率。

输入样本的预测类别对数概率计算为森林中树木的平均预测类别概率的对数。

参数:
X{array-like, sparse matrix} 形状为 (n_samples, n_features)

输入样本。在内部，其数据类型将被转换为 dtype=np.float32。如果提供了稀疏矩阵，它将被转换为稀疏的 csr_matrix。

返回:
p形状为 (n_samples, n_classes) 的 ndarray，或此类数组的列表

输入样本的类别概率。类别的顺序与属性 classes_ 中的顺序相对应。

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

将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 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')[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 是 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下生成一个名为 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。

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
score(X, y, sample_weight=None)[源代码]#

返回给定测试数据和标签的平均准确率。

在多标签分类中，这是子集准确率，这是一个严格的度量标准，因为你要求每个样本的每个标签集都被正确预测。

参数:
X类似数组的形状 (n_samples, n_features)

测试样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

X 的真实标签。

sample_weight类数组的形状 (n_samples,)，默认=None

样本权重。

返回:
分数float

self.predict(X) 相对于 y 的平均准确率。

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、backend 在这种情况下必须作为 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

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

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → TimeSeriesForestClassifier[源代码]#

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。

默认值 (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

此方法仅在将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。

参数:
sample_weightstr, True, False, 或 None, 默认=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)[源代码]#

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')[源代码]#

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。在多次函数调用中传递 int 以获得可重复的输出。

深度bool, 默认=True

是否在子估计器中设置随机状态。如果为 False，则仅在 self 的 random_state 参数（如果存在）中设置。如果为 True，则还会在子估计器中设置 random_state 参数。

self_policystr, 可以是 {“copy”, “keep”, “new”} 之一, 默认=”copy”

  • “copy” : estimator.random_state 被设置为输入 random_state

  • “保持” : estimator.random_state 保持不变

  • “new” : estimator.random_state 被设置为一个新的随机状态，

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(*, sample_weight: bool | None | str = '$UNCHANGED$') → TimeSeriesForestClassifier[源代码]#

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。

默认值 (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

此方法仅在将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。

参数:
sample_weightstr, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED

score 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_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，将对象状态更改为动态标签。

On this page