均方缩放误差#

class MeanSquaredScaledError(multioutput='uniform_average', multilevel='uniform_average', sp=1, square_root=False)[源代码][源代码]#

均方缩放误差 (MSSE) 或均方根缩放误差 (RMSSE)。

如果 square_root 为 False，则计算 MSSE，否则如果 square_root 为 True，则计算 RMSSE。MSSE 和 RMSSE 的输出均为非负浮点数。最佳值为 0.0。

这是 MASE 损失指标的平方变体。与 MASE 和其他缩放性能指标一样，这个无尺度的指标可以用于比较单个序列或不同序列之间的预测方法。

此指标也适用于间歇性需求序列，因为它不会给出无限或未定义的值，除非训练数据是一个平坦的时间序列。在这种情况下，函数返回一个较大的值而不是无穷大。

适用于具有相同季节性周期的多输出（多变量）时间序列数据。

参数:

spint, 默认 = 1: 数据的季节性周期。
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 (n_outputs,) 的类数组，默认=’uniform_average’: 定义如何聚合多元（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’，则所有输出的误差将以均匀权重进行平均。
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（具有层次）的指标。如果为 ‘uniform_average’（默认），错误在层次间进行均值平均。如果为 ‘uniform_average_time’，指标应用于所有数据，忽略层次索引。如果为 ‘raw_values’，不在层次间平均错误，保留层次结构。

参见

MeanAbsoluteScaledError
中位绝对标度误差
中位数平方缩放误差

参考文献

M5 竞赛指南。

https://mofc.unic.ac.cy/wp-content/uploads/2020/03/M5-Competitors-Guide-Final-10-March-2020.docx

Hyndman, R. J 和 Koehler, A. B. (2006). “另一种预测准确度度量的看法”, 国际预测杂志, 第22卷, 第4期.

示例

>>> import numpy as np
>>> from sktime.performance_metrics.forecasting import MeanSquaredScaledError
>>> y_train = np.array([5, 0.5, 4, 6, 3, 5, 2])
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> rmsse = MeanSquaredScaledError(square_root=True)
>>> rmsse(y_true, y_pred, y_train=y_train)
0.20568833780186058
>>> y_train = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> rmsse(y_true, y_pred, y_train=y_train)
0.15679361328058636
>>> rmsse = MeanSquaredScaledError(multioutput='raw_values', square_root=True)
>>> rmsse(y_true, y_pred, y_train=y_train)
array([0.11215443, 0.20203051])
>>> rmsse = MeanSquaredScaledError(multioutput=[0.3, 0.7], square_root=True)
>>> rmsse(y_true, y_pred, y_train=y_train)
0.17451891814894502

方法

`__call__`(y_true, y_pred, **kwargs)	使用底层度量函数计算度量值。
`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。
`func`(y_pred[, sp, horizon_weight, ...])	均方缩放误差 (MSSE) 或均方根缩放误差 (RMSSE)。
`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。
`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。

func(y_pred, sp=1, horizon_weight=None, multioutput='uniform_average', square_root=False, **kwargs)[源代码]#

均方缩放误差 (MSSE) 或均方根缩放误差 (RMSSE)。

如果 square_root 为 False，则计算 MSSE，否则如果 square_root 为 True，则计算 RMSSE。MSSE 和 RMSSE 的输出均为非负浮点数。最佳值为 0.0。

这是 MASE 损失指标的平方变体。与 MASE 和其他缩放性能指标一样，这个无尺度的指标可以用于比较单个序列或不同序列之间的预测方法。

此指标也适用于间歇性需求序列，因为它不会给出无限或未定义的值，除非训练数据是一个平坦的时间序列。在这种情况下，函数返回一个较大的值而不是无穷大。

适用于具有相同季节性周期的多输出（多变量）时间序列数据。

参数:

y_truepd.Series, pd.DataFrame 或形状为 (fh,) 或 (fh, n_outputs) 的 np.array，其中 fh 是预测范围: 地面实况（正确的）目标值。
y_predpd.Series, pd.DataFrame 或形状为 (fh,) 或 (fh, n_outputs) 的 np.array，其中 fh 是预测范围: 预测值。
y_trainpd.Series, pd.DataFrame 或 np.array，形状为 (n_timepoints,) 或 (n_timepoints, n_outputs)，默认 = None: 观察到的训练值。
sp整数: 训练数据的季节性周期。
horizon_weight形状为 (fh,) 的类数组对象，默认=None: 预测范围权重。
多输出{‘raw_values’, ‘uniform_average’} 或形状为 (n_outputs,) 的类数组，默认=’uniform_average’: 定义如何聚合多元（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’，则所有输出的误差将以均匀权重进行平均。
平方根bool, 默认=False: 是否取均方缩放误差的平方根。如果为 True，则返回均方根缩放误差（RMSSE）；如果为 False，则返回均方缩放误差（MSSE）。

返回:

损失浮动: RMSSE 损失。如果 multioutput 是 ‘raw_values’，则分别返回每个输出的 MSSE 或 RMSSE。如果 multioutput 是 ‘uniform_average’ 或一个权重 ndarray，则返回所有输出误差的加权平均 MSSE 或 RMSSE。

参见

mean_absolute_scaled_error
median_absolute_scaled_error
中位数平方缩放误差

参考文献

M5 竞赛指南。

https://mofc.unic.ac.cy/wp-content/uploads/2020/03/M5-Competitors-Guide-Final-10-March-2020.docx

Hyndman, R. J 和 Koehler, A. B. (2006). “另一种预测准确度度量的看法”, 国际预测杂志, 第22卷, 第4期.

示例

>>> from sktime.performance_metrics.forecasting import mean_squared_scaled_error
>>> y_train = np.array([5, 0.5, 4, 6, 3, 5, 2])
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> mean_squared_scaled_error(y_true, y_pred, y_train=y_train, square_root=True)
0.20568833780186058
>>> y_train = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> mean_squared_scaled_error(y_true, y_pred, y_train=y_train,  square_root=True)
0.15679361328058636
>>> mean_squared_scaled_error(y_true, y_pred, y_train=y_train,     multioutput='raw_values', square_root=True)
array([0.11215443, 0.20203051])
>>> mean_squared_scaled_error(y_true, y_pred, y_train=y_train,     multioutput=[0.3, 0.7], square_root=True)
0.17451891814894502

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。

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序数据。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，传统预测。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。有关使用方法，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，如果索引了，则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序数据可选的，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, 时间序列, 格式为 sktime 兼容的数据容器可选的，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，但不一定是相同的索引。

sample_weight可选，类似一维数组，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 是单个时间序列，sample_weight 的长度必须与 y_true 相同。如果时间序列是面板或层次结构，所有单个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，且 multilevel="uniform_average" 或 “uniform_average_time”``。值为变量和层级的平均指标（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 所示。

clone()[源代码]#

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。

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
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，更改对象状态为动态标签于 self 中。

classmethod create_test_instance(parameter_set='default')[源代码]#

如果可能，构造 Estimator 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。此函数取 get_test_params 返回的第一个或单个字典，并用该字典构建对象。

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__}

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序数据。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，传统预测。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。有关使用方法，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，如果索引了，则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序数据可选的，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, 时间序列, 格式为 sktime 兼容的数据容器可选的，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，但不一定是相同的索引。

sample_weight可选，类似一维数组，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 是单个时间序列，sample_weight 的长度必须与 y_true 相同。如果时间序列是面板或层次结构，所有单个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，且 multilevel="uniform_average" 或 “uniform_average_time”``。值为变量和层级的平均指标（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 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序数据。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，传统预测。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。有关使用方法，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，如果索引了，则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序数据可选的，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, 时间序列, 格式为 sktime 兼容的数据容器可选的，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，但不一定是相同的索引。

sample_weight可选，类似一维数组，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 是单个时间序列，sample_weight 的长度必须与 y_true 相同。如果时间序列是面板或层次结构，所有单个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

计算的指标，按时间点（默认=刀切法伪值）。如果提供，则按 sample_weight 加权。

pd.Series 如果 multioutput="uniform_average" 或类数组。索引等于 y_true 的索引；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: 在 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。通过嵌套继承从 _config 类属性中收集，然后从 _config_dynamic 对象属性中覆盖和新标签。

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 True，将返回此对象的参数名称 : 值的字典，包括组件的参数（= 值为 BaseObject 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

参数的字典，paramname : paramvalue 键值对包括：

总是：此对象的所有参数，通过 get_param_names 获取的值是该键的参数值，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]，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_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布尔值: 当未找到标签时是否引发 ValueError

返回:

标签值任何: 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。

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。

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，结果输出为 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。

使用重置，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，但会覆盖 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 是 None，返回一个内存中的序列化自身；如果 path 是一个文件位置，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 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

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），或者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，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 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。参数键字符串 <component>__<parameter> 可以用于复合对象，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相同，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 <component>__<parameter> 字符串。如果 get_params 键中唯一，__ 后缀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 的链式哈希采样得到，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。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，

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)[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。