TSRGridSearchCV

class TSRGridSearchCV(estimator, param_grid, scoring=None, n_jobs=None, refit=True, cv=None, verbose=0, pre_dispatch='2*n_jobs', error_score=nan, return_train_score=False, tune_by_variable=False)

对估计器的指定参数值进行穷举搜索。

为 sktime 时间序列回归器适配 sklearn 的 GridSearchCV

通过穷举网格搜索优化 估计器 的超参数。

参数:

估计器estimator 对象

假设这是实现 scikit-learn 估计器接口。估计器需要提供一个 score 函数，或者必须传递 scoring。

param_grid字典或字典列表

包含参数名称 (str) 作为键和要尝试的参数设置列表作为值的字典，或者是一个这样的字典列表，在这种情况下，将探索列表中每个字典所跨越的网格。这使得可以搜索任何参数设置序列。

评分str, callable, list, tuple 或 dict, default=None

在测试集上评估交叉验证模型性能的策略。

如果 scoring 表示单个分数，可以使用：

• 一个单一的字符串（参见 The scoring parameter: defining model evaluation rules）；

• 一个可调用的函数（参见 评分），返回一个单一的值。

如果 scoring 表示多个分数，可以使用：

• 一个由唯一字符串组成的列表或元组；

• 一个返回字典的可调用对象，其中键是指标名称，值是指标分数；

• 一个以指标名称为键、可调用对象为值的字典。

n_jobsint, 默认=None

要并行运行的作业数量。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。更多详情请参见 术语表。

refitbool, str, 或 callable, 默认=True

在整个数据集上使用找到的最佳参数重新拟合估计器。如果 False，那么 predict 将无法工作。

对于多指标评估，这需要是一个 str，表示用于在最后重新拟合估计器时找到最佳参数的评分器。

在选择最佳估计器时，如果有其他考虑因素而非最高分数，可以将 refit 设置为一个函数，该函数根据 cv_results_ 返回选定的 best_index_。在这种情况下，best_estimator_ 和 best_params_ 将根据返回的 best_index_ 设置，而 best_score_ 属性将不可用。

重置后的估计器在 best_estimator_ 属性中可用，并允许直接在此 GridSearchCV 实例上使用 predict。

同样地，对于多指标评估，属性 best_index_、best_score_ 和 best_params_ 只有在设置了 refit 时才会可用，并且它们都将根据此特定评分器来确定。

参见 scoring 参数以了解更多关于多指标评估的信息。

cvint, 交叉验证生成器或可迭代对象, 默认=None

确定交叉验证的分割策略。cv 的可能输入包括：

• None，使用默认的5折交叉验证，

• 整数，用于指定 (Stratified)KFold 中的折数。

• CV 分割器,

• 一个生成 (训练, 测试) 分割的迭代器，作为索引数组。

对于整数/None 输入，如果估计器是一个回归器且 y 是二分类或多分类，则使用 StratifiedKFold。在所有其他情况下，使用 KFold。这些分割器以 shuffle=False 实例化，因此分割将在多次调用中保持一致。

请参阅 用户指南 以了解可在此使用的各种交叉验证策略。

详细整数

控制详细程度：越高，消息越多。

• >1 : 显示每个折叠和参数候选者的计算时间；

• >2 : 分数也会显示；

• >3 : 折叠和候选参数索引也与计算的开始时间一起显示。

pre_dispatchint, 或 str, 默认=’2*n_jobs’

控制并行执行期间分派的作业数量。减少这个数量可能有助于避免当分派的作业数量超过CPU处理能力时，内存消耗的爆炸性增长。这个参数可以是：

• None，在这种情况下，所有作业都会立即创建并启动。对于轻量级和快速运行的作业，请使用此选项，以避免因按需启动作业而导致的延迟。

• 一个整数，表示产生的总作业的确切数量

• 一个字符串，给出一个作为 n_jobs 函数的表达式，例如 ‘2*n_jobs’

error_score‘raise’ 或数值, 默认=np.nan

如果在估计器拟合过程中发生错误，分配给分数的值。如果设置为 ‘raise’，则错误将被抛出。如果给定一个数值，则抛出 FitFailedWarning。此参数不影响重拟合步骤，该步骤将始终抛出错误。

return_train_scorebool, 默认=False

如果 False，cv_results_ 属性将不包括训练分数。计算训练分数用于了解不同参数设置如何影响过拟合/欠拟合的权衡。然而，计算训练集上的分数在计算上可能是昂贵的，并且严格来说，选择产生最佳泛化性能的参数并不需要这些分数。

tune_by_variablebool, 可选 (默认=False)

是否分别对每个时间序列变量进行参数调整，以防将多元数据传递给调整估计器。仅在传递的时间序列严格为多元时适用。如果为True，估计器的克隆将分别拟合每个变量，并在回归器属性的字段中可用。与将ColumnEnsembleRegressor包装器应用于自身具有相同的效果。如果为False，则所有变量都选择相同的最佳参数。

属性:

cv_results_numpy (masked) ndarrays 的字典

一个字典，键为列标题，值为列，可以导入到 pandas 的 DataFrame 中。

对于多指标评估，所有评分器的分数都可以在 cv_results_ 字典中找到，键名以该评分器的名称结尾（'_<scorer_name>'），而不是上面显示的 '_score'。（例如 ‘split0_test_precision’, ‘mean_train_precision’ 等。）

best_estimator_估计器

搜索选择的估计器，即在留出数据上给出最高分数（或最小损失，如果指定）的估计器。如果 refit=False，则不可用。

有关允许值的更多信息，请参阅 refit 参数。

best_score_float

最佳估计器的平均交叉验证得分

对于多指标评估，只有在指定了 refit 时才会出现。

如果 refit 是一个函数，则此属性不可用。

最佳参数dict

在保留数据上给出最佳结果的参数设置。

对于多指标评估，只有在指定了 refit 时才会出现。

best_index_整数

索引（cv_results_ 数组的索引），对应于最佳候选参数设置。

search.cv_results_['params'][search.best_index_] 字典给出了最佳模型的参数设置，该模型给出了最高的平均分数（search.best_score_）。

对于多指标评估，只有在指定了 refit 时才会出现。

评分器_函数或字典

在保留数据上使用的评分函数，用于为模型选择最佳参数。

对于多指标评估，此属性保存了验证后的 scoring 字典，该字典将评分器键映射到评分器可调用对象。

n_splits_整数

交叉验证的分裂次数（折数/迭代次数）。

refit_time_float

在整个数据集上重新拟合最佳模型所用的秒数。

只有在 refit 不为 False 时，此项才存在。

multimetric_布尔值

评分器是否计算多个指标。

n_features_in_整数

在 拟合 过程中看到的特征数量。仅当 best_estimator_ 被定义时（有关 refit 参数的更多详细信息，请参阅文档）且 best_estimator_ 在拟合时暴露 n_features_in_ 时才定义。

feature_names_in_ : 形状为 (n_features_in_,) 的 ndarray形状为的 ndarray

在 拟合 过程中看到的特征名称。仅当 best_estimator_ 被定义时（有关 refit 参数的更多详细信息，请参阅文档）且 best_estimator_ 在拟合时暴露 feature_names_in_ 时定义。

参见

ParameterGrid

生成超参数网格的所有组合。

train_test_split

将数据分割成可用于拟合 GridSearchCV 实例的开发集和用于其最终评估的评估集的实用函数。

sklearn.metrics.make_scorer

从性能指标或损失函数创建评分器。

方法

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。
fit(X, y)	将时间序列回归器拟合到训练数据。
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)	预测 X 中序列的标签。
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[, multioutput])	在 X 上将预测标签与真实标签进行比较。
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。

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。对于回归器，应提供一组“default”参数用于一般测试，如果一般集不能产生适合比较的概率，则应提供一组“results_comparison”参数用于与先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。

check_is_fitted()

检查估计器是否已被拟合。

引发:

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。

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)

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')

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，用于测试中。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，并用其构建对象。

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，用于测试中。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 obj 的第 i 个实例的名称，约定为 {cls.__name__}-{i} 如果存在多个实例，否则为 {cls.__name__}

fit(X, y)

将时间序列回归器拟合到训练数据。

状态变化：

将状态更改为“已拟合”。

写给自己：

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

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 科学类型

时间序列以拟合估计器。

可以是任何 Panel 类型 的 科学 ，例如：

• pd-multiindex: 具有列 = 变量，索引 = 具有第一级 = 实例索引，第二级 = 时间索引的 pd.MultiIndex 的 pd.DataFrame

• numpy3D: 3D np.array (任意数量的维度，等长序列) 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，请参阅 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个索引对应于X中的实例索引，第1个索引（如果适用）对应于X中的多输出向量索引。支持的sktime类型：np.ndarray（1D，2D），pd.Series，pd.DataFrame

返回:

self自我引用。

注释

通过创建一个拟合模型来改变状态，该模型更新以“_”结尾的属性，并将 is_fitted 标志设置为 True。

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

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

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（= 值为 BaseEstimator 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 paramname 的形式出现，并带有其值。

• 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 中所有在 __init__ 中定义了默认值的参数，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

参数的字典，paramname : paramvalue 键值对包括：

• 总是：通过 get_param_names 获取此对象的所有参数，这些参数值为此对象键的参数值，这些值总是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 [组件名称]__[参数名称]，所有 组件名称 的参数都以 参数名称 及其值的形式出现。

• 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)

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

当找不到标签时，是否会引发 ValueError

返回:

标签值任何

self 中 tag_name 标签的值。如果未找到，当 raise_error 为 True 时返回错误，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()

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()

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

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)

predict(X) → ndarray

预测 X 中序列的标签。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 科学类型

时间序列以预测标签。

可以是任何 Panel 类型 的 科学 ，例如：

• pd-multiindex: 具有列 = 变量，索引 = 具有第一级 = 实例索引，第二级 = 时间索引的 pd.MultiIndex 的 pd.DataFrame

• numpy3D: 3D np.array (任意数量的维度，等长序列) 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，请参阅 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。

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

预测的回归标签

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

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__。这会移除任何对象属性，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

类的实例重置为初始化后的干净状态，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() 之后，self 的值等于 type(self)(**self.get_params(deep=False))

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下创建一个名为 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。

返回:

如果 path 为 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

score(X, y, multioutput='uniform_average') → float

在 X 上将预测标签与真实标签进行比较。

参数:

Xsktime 兼容的时间序列面板数据容器，面板科学类型，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，等长序列），形状为 [n_instances, n_dimensions, series_length] 或任何其他支持的 Panel mtype 对于 mtype 列表，请参见 datatypes.SCITYPE_REGISTER 的规范，请参见 examples/AA_datatypes_and_datasets.ipynb 的示例

y2D np.array of int, of shape [n_instances, n_dimensions] - 回归标签

用于拟合的索引对应于 X 中的实例索引或形状为 [n_instances] 的一维 np.array 整数数组 - 用于拟合的回归标签对应于 X 中的实例索引

多输出str, 可选 (默认值=”uniform_average”)

{“raw_values”, “uniform_average”, “variance_weighted”}, 类似数组的形状 (n_outputs,) 或 None, 默认=”uniform_average”。定义多个输出分数的聚合方式。类似数组的值定义用于平均分数的权重。

返回:

float（默认）或 float 的 1D np.array

预测(X)与y的R平方得分，如果multioutput=”uniform_average”或”variance_weighted”，或者y是单变量，则为浮点数；如果multioutput=”raw_values”且y是多变量，则为1D np.array。

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），或者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，是以下之一

• “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 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 <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 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)

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。