YfromX

YfromX(estimator, pooling='local')

简单减少预测内生变量从同时的外生变量。

按时间索引列出所有观察到的 X 和 y，并应用表格监督回归。

在 fit 中，给定内生时间序列 y 和外生 X：将 estimator 拟合到如下定义的特征-标签对。

features = \(y(t)\), labels: \(X(t)\) 覆盖所有 \(t\) ，其中上述内容已被观察到（在索引中）

在 predict 中，在预测范围中的时间 \(t\) ，使用 estimator 来预测 \(y(t)\)，从标签：\(X(t)\)

如果回归器是 skpro 概率回归器，并且有 predict_interval 等方法，使用 estimator 来预测 \(y(t)\)，从标签 \(X(t)\) 中，传递 predict_interval 等参数。

如果没有提供外生数据，将预测在 fit 中看到的 y 的均值。

为了不在整个历史数据上使用拟合并定期更新，请结合使用 UpdateRefitsEvery。

为了处理缺失数据，可以结合 Imputer 使用。

要构建一个自定义的直接归约器，可以结合 YtoX、Lag 或 ReducerTransform。

参数:

估计器sklearn 回归器或 skpro 概率回归器，

必须与 sklearn 或 skpro 接口兼容的表格回归算法，用于降维算法中，如果使用 skpro 回归器，生成的预测器将具有概率能力

池化str, 可选值为 [“local”, “global”, “panel”], 可选, 默认值为”local”

数据被汇集以拟合监督回归模型的层级 “local” = 单元/实例层级，每个最低层级一个简化模型 “global” = 顶层，一个总体简化模型，忽略层级汇集数据 “panel” = 第二低层级，每个面板层级一个简化模型（-2） 如果只有2个或更少的层级，”global” 和 “panel” 结果相同 如果只有1个层级（单一时序），所有三个设置一致