均方误差#

class MeanSquaredError(multioutput='uniform_average', multilevel='uniform_average', square_root=False)[源代码][源代码]#

均方误差 (MSE) 或 均方根误差 (RMSE)。

对于一个单变量、非层次的真实值样本 \(y_1, \dots, y_n\) 和预测值 \(\widehat{y}_1, \dots, \widehat{y}_n`（在 :math:`mathbb{R}\) 中），在时间索引 \(t_1, \dots, t_n\) 处，evaluate 或调用返回：

  • 如果 square_root 为 False，则为均方误差，\(\frac{1}{n}\sum_{i=1}^n \left(y_i - \widehat{y}_i\right)^2\)

  • 如果 square_root 为 True，则计算均方根误差，\(\sqrt{\frac{1}{n}\sum_{i=1}^n \left(y_i - \widehat{y}_i\right)^2}\)

MSE 和 RMSE 都是非负浮点数，较低的值表示更好。最低可能值是 0.0。

multioutput 和 multilevel 控制跨变量和层次索引的平均值，见下文。如果 square_root 为 True，则对平方误差的平方根进行平均。

evaluate_by_index 在时间索引 \(t_i\) 处返回：

  • 如果 square_root 为 False，则在该时间索引处的平方误差，\(\left(y_i - \widehat{y}_i\right)^2\)，对于输入中的所有时间索引 \(t_1, \dots, t_n\)。

  • 如果 square_root 为 True，则在该时间索引处的均方根误差（RMSE）的刀切伪值为 \(n * \bar{\varepsilon} - (n-1) * \varepsilon_i\)，其中 \(\bar{\varepsilon}\) 是所有时间索引上的 RMSE，而 \(\varepsilon_i\) 是移除第 i 个时间索引后的 RMSE，即使用值 \(y_1, \dots, y_{i-1}, y_{i+1}, \dots, y_n\) 和 \(\widehat{y}_1, \dots, \widehat{y}_{i-1}, \widehat{y}_{i+1}, \dots, \widehat{y}_n\)。

MSE 以输入数据的平方单位来衡量，而 RMSE 与数据的尺度相同。由于 MSE 和 RMSE 对预测误差进行平方而不是取绝对值，因此它们对大误差的惩罚比 MAE 更重。

参数:
平方根bool, 默认 = False

是否取度量的平方根

多输出{‘raw_values’, ‘uniform_average’} 或形状为 array-like 的数组

(n_outputs,), 默认=’uniform_average’

定义如何聚合多变量（多输出）数据的度量。如果是类数组，则使用这些值作为权重来平均误差。如果是’raw_values’，则在多输出输入的情况下返回所有误差的完整集合。如果是’uniform_average’，则所有输出的误差以均匀权重平均。

多级{‘原始值’, ‘均匀平均’, ‘均匀平均时间’}

定义如何聚合层次数据（具有层级）的度量。如果为 ‘uniform_average’（默认），误差在层级间进行均值平均。如果为 ‘uniform_average_time’，度量应用于所有数据，忽略层级索引。如果为 ‘raw_values’，不跨层级平均误差，保留层次结构。

参见

MeanAbsoluteError
中位绝对误差
中位数平方误差

参考文献

Hyndman, R. J 和 Koehler, A. B. (2006)。《另一种看待预测准确度量方法的视角》，《国际预测杂志》，第22卷，第4期。

示例

>>> import numpy as np
>>> from sktime.performance_metrics.forecasting import MeanSquaredError
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> mse = MeanSquaredError()
>>> mse(y_true, y_pred)
0.4125
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> mse(y_true, y_pred)
0.7083333333333334
>>> rmse = MeanSquaredError(square_root=True)
>>> rmse(y_true, y_pred)
0.8227486121839513
>>> rmse = MeanSquaredError(multioutput='raw_values')
>>> rmse(y_true, y_pred)
array([0.41666667, 1.        ])
>>> rmse = MeanSquaredError(multioutput='raw_values', square_root=True)
>>> rmse(y_true, y_pred)
array([0.64549722, 1.        ])
>>> rmse = MeanSquaredError(multioutput=[0.3, 0.7])
>>> rmse(y_true, y_pred)
0.825
>>> rmse = MeanSquaredError(multioutput=[0.3, 0.7], square_root=True)
>>> rmse(y_true, y_pred)
0.8936491673103708

方法

__call__(y_true, y_pred, **kwargs)

使用底层度量函数计算度量值。

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的列表。

evaluate(y_true, y_pred, **kwargs)

在给定的输入上评估所需的指标。

evaluate_by_index(y_true, y_pred, **kwargs)

返回在每个时间点评估的指标。

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_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。

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。
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=”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:
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

__call__(y_true, y_pred, **kwargs)[源代码]#

使用底层度量函数计算度量值。

参数:
y_true : sktime 兼容数据容器格式的时间序列。时间序列在

地面实况（正确的）目标值。

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，常规预测。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）

  • Panel 类型 = 时间序列集合，全局/面板预测。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 = 分层集合，用于分层预测。pd.DataFrame 带有3个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。关于使用方法，请参阅预测教程 examples/01_forecasting.ipynb

y_pred : 时间序列，采用 sktime 兼容的数据容器格式时间序列在

用于评估的预测值。必须与 y_true 格式相同，如果索引的话，索引和列也必须相同。

y_pred_benchmark : 可选，sktime 兼容数据容器格式的时间序列可选的，时间序列

基准预测用于比较 y_pred ，用于相对指标。仅当指标需要基准预测时才需要，如标签 requires-y-pred-benchmark 所示。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则索引和列相同。

y_train : 可选, sktime 兼容数据容器格式的时间序列可选的，时间序列

用于标准化误差度量的训练数据。仅在度量需要训练数据时（如标签 requires-y-train 所示）才需要。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则列相同，但不一定索引相同。

sample_weight可选，类似一维数组的，默认=None

每个时间点的样本权重。

  • 如果 None ，时间索引被认为是等权重的。

  • 如果是一个数组，必须是1D。如果 y_true 和 y_pred 是一个单一的时间序列，sample_weight 必须与 y_true 的长度相同。如果时间序列是面板或分层的，所有单独的时间序列的长度必须相同，并且等于 sample_weight 的长度，对于传递的所有时间序列实例。

返回:
损失float, np.ndarray, 或 pd.DataFrame

计算的指标，按变量平均或计算。如果提供了 sample_weight，则按其加权。

  • float 如果 multioutput="uniform_average" 或类数组，并且 multilevel="uniform_average" 或 “uniform_average_time”``。值是指标在变量和级别上的平均值（参见类文档字符串）

  • 如果 multioutput=”raw_values” 且 multilevel=”uniform_average” 或 “uniform_average_time”，则为形状为 (y_true.columns,) 的 np.ndarray。第 i 个条目是第 i 个变量的指标计算结果。

  • pd.DataFrame 如果 multilevel="raw_values"。形状为 (n_levels, )，如果 multioutput="uniform_average"；形状为 (n_levels, y_true.columns) 如果 multioutput="raw_values"。指标按层级应用，行平均（是/否）如 multioutput 中所示。

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。

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)[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
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，改变对象状态为 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=”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 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__}

evaluate(y_true, y_pred, **kwargs)[源代码]#

在给定的输入上评估所需的指标。

参数:
y_true : sktime 兼容数据容器格式的时间序列。时间序列在

地面实况（正确的）目标值。

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，常规预测。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）

  • Panel 类型 = 时间序列集合，全局/面板预测。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 = 分层集合，用于分层预测。pd.DataFrame 带有3个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。关于使用方法，请参阅预测教程 examples/01_forecasting.ipynb

y_pred : 时间序列，采用 sktime 兼容的数据容器格式时间序列在

用于评估的预测值。必须与 y_true 格式相同，如果索引的话，索引和列也必须相同。

y_pred_benchmark : 可选，sktime 兼容数据容器格式的时间序列可选的，时间序列

基准预测用于比较 y_pred ，用于相对指标。仅当指标需要基准预测时才需要，如标签 requires-y-pred-benchmark 所示。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则索引和列相同。

y_train : 可选, sktime 兼容数据容器格式的时间序列可选的，时间序列

用于标准化误差度量的训练数据。仅在度量需要训练数据时（如标签 requires-y-train 所示）才需要。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则列相同，但不一定索引相同。

sample_weight可选，类似一维数组的，默认=None

每个时间点的样本权重。

  • 如果 None ，时间索引被认为是等权重的。

  • 如果是一个数组，必须是1D。如果 y_true 和 y_pred 是一个单一的时间序列，sample_weight 必须与 y_true 的长度相同。如果时间序列是面板或分层的，所有单独的时间序列的长度必须相同，并且等于 sample_weight 的长度，对于传递的所有时间序列实例。

返回:
损失float, np.ndarray, 或 pd.DataFrame

计算的指标，按变量平均或计算。如果提供了 sample_weight，则按其加权。

  • float 如果 multioutput="uniform_average" 或类数组，并且 multilevel="uniform_average" 或 “uniform_average_time”``。值是指标在变量和级别上的平均值（参见类文档字符串）

  • 如果 multioutput=”raw_values” 且 multilevel=”uniform_average” 或 “uniform_average_time”，则为形状为 (y_true.columns,) 的 np.ndarray。第 i 个条目是第 i 个变量的指标计算结果。

  • pd.DataFrame 如果 multilevel="raw_values"。形状为 (n_levels, )，如果 multioutput="uniform_average"；形状为 (n_levels, y_true.columns) 如果 multioutput="raw_values"。指标按层级应用，行平均（是/否）如 multioutput 中所示。

evaluate_by_index(y_true, y_pred, **kwargs)[源代码]#

返回在每个时间点评估的指标。

参数:
y_true : sktime 兼容数据容器格式的时间序列。时间序列在

地面实况（正确的）目标值。

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，常规预测。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）

  • Panel 类型 = 时间序列集合，全局/面板预测。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 = 分层集合，用于分层预测。pd.DataFrame 带有3个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。关于使用方法，请参阅预测教程 examples/01_forecasting.ipynb

y_pred : 时间序列，采用 sktime 兼容的数据容器格式时间序列在

用于评估的预测值。必须与 y_true 格式相同，如果索引的话，索引和列也必须相同。

y_pred_benchmark : 可选，sktime 兼容数据容器格式的时间序列可选的，时间序列

基准预测用于比较 y_pred ，用于相对指标。仅当指标需要基准预测时才需要，如标签 requires-y-pred-benchmark 所示。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则索引和列相同。

y_train : 可选, sktime 兼容数据容器格式的时间序列可选的，时间序列

用于标准化误差度量的训练数据。仅在度量需要训练数据时（如标签 requires-y-train 所示）才需要。否则，可以传递以确保接口一致性，但会被忽略。必须与 y_true 格式相同，如果索引，则列相同，但不一定索引相同。

sample_weight可选，类似一维数组的，默认=None

每个时间点的样本权重。

  • 如果 None ，时间索引被认为是等权重的。

  • 如果是一个数组，必须是1D。如果 y_true 和 y_pred 是一个单一的时间序列，sample_weight 必须与 y_true 的长度相同。如果时间序列是面板或分层的，所有单独的时间序列的长度必须相同，并且等于 sample_weight 的长度，对于传递的所有时间序列实例。

返回:
损失pd.Series 或 pd.DataFrame

按时间点计算的指标（默认=刀切法伪值）。如果提供了 sample_weight，则按权重计算。

  • pd.Series 如果 multioutput="uniform_average" 或类数组。索引与 y_true 的索引相同；索引 i 处的条目是时间 i 处的指标，在变量上取平均值

  • pd.DataFrame 如果 multioutput="raw_values"。索引和列与 y_true 相同；第 i,j 个条目是时间 i 和变量 j 处的指标

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:
标签值

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。不返回在实例上通过 set_tags 或 clone_tags 设置的动态标签信息。

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。

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)[源代码]#

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：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，还包含任意层级的组件递归，例如，[componentname]__[componentcomponentname]__[paramname] 等。

get_tag(tag_name, tag_value_default=None, raise_error=True)[源代码]#

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:
tag_value任何

在 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()[源代码]#

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。通过嵌套继承从 _tags 类属性中收集，然后是 _tags_dynamic 对象属性的任何覆盖和新标签。

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。

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)
reset()[源代码]#

将对象重置为初始化后的干净状态。

使用 reset，使用超参数的当前值（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 但覆盖了 self。在调用 self.reset() 之后，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 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下生成一个 zip 文件 estimator.zip。path=”/home/stored/estimator” 则会在 /home/stored/ 目录下存储一个 zip 文件 estimator.zip。

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项。

返回:
如果 path 是 None - 内存中序列化的 self
如果 path 是文件位置 - 带有文件引用的 ZipFile
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，而不影响组件估计器。

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，可选之一

  • “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，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)[源代码]#

设置此对象的参数。

该方法适用于简单的估计器以及复合对象。对于复合对象，即包含其他对象的对象，可以使用参数键字符串 <component>__<parameter> 来访问组件 <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，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 __ 后缀在 get_params 键中是唯一的，则可以别名为完整字符串。

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')[源代码]#

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

  • “复制” : estimator.random_state 被设置为输入的 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，

派生自输入 random_state，并且通常与它不同。

返回:
self自我引用
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 self 中的动态标签。

On this page