Scikit-learn: 使 random_state 描述更具信息性并参考词汇表

创建于 2018-01-29 · 60评论 · 资料来源: scikit-learn/scikit-learn

我们最近在我们的文档中添加了一个词汇表，其中描述了通用参数等。我们现在应该替换random_state参数的描述，使它们更简洁和信息量更大（参见 #10415）。例如，代替

    random_state : int, RandomState instance or None, optional, default: None
        If int, random_state is the seed used by the random number generator;
        If RandomState instance, random_state is the random number generator;
        If None, the random number generator is the RandomState instance used
        by `np.random`.

在 KMeans 和 MiniBatchKMeans 中，我们可能有：

KMeans:
    random_state : int, RandomState instance, default=None
        Determines random number generation for centroid initialization.
        Pass an int for reproducible results across multiple function calls.
        See :term:`Glossary <random_state>`.


MiniBatchKMeans:
    random_state : int, RandomState instance, default=None
        Determines random number generation for centroid initialization and
        random reassignment.
        Pass an int for reproducible results across multiple function calls.
        See :term:`Glossary <random_state>`.

因此，描述应该侧重于random_state对算法的影响。

有兴趣贡献此更改的贡献者应该一次承担一个模块，最初。

要修改的估算器列表如下：

使用kwinata 脚本修改的文件列表

[x] [sklearn/dummy.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/dummy.py) - 59
[x] [sklearn/multioutput.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/multioutput.py) - 578 , 738
[] [sklearn/kernel_approximation.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/kernel_approximation.py) - 41 , 143 , 470
[] [sklearn/multiclass.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/multiclass.py) - 687
[x] [sklearn/random_projection.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/random_projection.py) - 178 , 245 , 464 , 586
[x] [sklearn/feature_extraction/image.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/feature_extraction/image.py) - 368 , 502
[x] [sklearn/utils/random.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/utils/random.py) - 39公开PR
[x] [sklearn/utils/extmath.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/utils/extmath.py) - 185 , 297
[x] [sklearn/ensemble/_hist_gradient_boosting/gradient_boosting.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_hist_gradient_boosting/gradient_boosting.py) - 736 , 918
[x] [sklearn/ensemble/_hist_gradient_boosting/binning.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_hist_gradient_boosting/binning.py) - 37 , 112
[x] [sklearn/ensemble/_bagging.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_bagging.py) - 503 , 902
[x] [sklearn/ensemble/_gb.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_gb.py) - 887 , 1360
[x] [sklearn/ensemble/_forest.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_forest.py) - 965 , 1282 , 1559 , 1868 , 2103
[x] [sklearn/ensemble/_iforest.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_iforest.py) - 109
[] [sklearn/ensemble/_base.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_base.py) - 52
[x] [sklearn/ensemble/_weight_boosting.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_weight_boosting.py) - 188 , 324 , 479 , 900 , 1022
[x] [sklearn/decomposition/_truncated_svd.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_truncated_svd.py) - 59公开公关
[x] [sklearn/decomposition/_kernel_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_kernel_pca.py) - 79公开公关
[x] [sklearn/decomposition/_dict_learning.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_dict_learning.py) - 364 , 485 , 692 , 1135 , 1325公开公关
[x] [sklearn/decomposition/_fastica.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_fastica.py) - 205 , 344公开公关
[x] [sklearn/decomposition/_nmf.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_nmf.py) - 290 , 475 , 966 , 1159打开公关
[x] [sklearn/decomposition/_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_pca.py) - 192公开公关
[x] [sklearn/decomposition/_sparse_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_sparse_pca.py) - 82 , 285公开公关
[x] [sklearn/decomposition/_lda.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_lda.py) - 60 , 79 , 225公开公关
[x] [sklearn/decomposition/_factor_analysis.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_factor_analysis.py) - 92公开公关
[x] [sklearn/cluster/_kmeans.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/cluster/_kmeans.py) - 56 , 241 , 380 , 583 , 700 , 1150 , 1370
[x] [sklearn/cluster/_spectral.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/cluster/_spectral.py) - 41 , 197 , 313
[x] [sklearn/cluster/_bicluster.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/cluster/_bicluster.py) - 236 , 383
[x] [sklearn/cluster/_mean_shift.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/cluster/_mean_shift.py) - 48
[x] [sklearn/preprocessing/_data.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/preprocessing/_data.py) - 2178 , 2607
[x] [sklearn/impute/_iterative.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/impute/_iterative.py) - 125
[x] [sklearn/linear_model/_ransac.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_ransac.py) - 152公开公关
[x] [sklearn/linear_model/_coordinate_descent.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_coordinate_descent.py) - 580 , 860 , 1313 , 1487 , 1665 , 1851 , 2016 , 2192公开公关
[x] [sklearn/linear_model/_sag.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_sag.py) - 154公开公关
[x] [sklearn/linear_model/_perceptron.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_perceptron.py) - 55公开公关
[x] [sklearn/linear_model/_passive_aggressive.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_passive_aggressive.py) - 76 , 322公开公关
[x] [sklearn/linear_model/_logistic.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_logistic.py) - 587 , 924 , 1100 , 1658打开公关
[x] [sklearn/linear_model/_base.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_base.py) - 65
[x] [sklearn/linear_model/_stochastic_gradient.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_stochastic_gradient.py) - 369 , 811 , 1419公开公关
[x] [sklearn/linear_model/_theil_sen.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_theil_sen.py) - 243公开公关
[x] [sklearn/linear_model/_ridge.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_ridge.py) - 325 , 693 , 853公开公关
[x] [sklearn/tree/_classes.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/tree/_classes.py) - 653 , 1033 , 1322 , 1552
[x] [sklearn/feature_selection/_mutual_info.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/feature_selection/_mutual_info.py) - 226 , 335 , 414
[x] [sklearn/metrics/cluster/_unsupervised.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/metrics/cluster/_unsupervised.py) - 80
[x] [sklearn/svm/_classes.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/svm/_classes.py) - 90 , 312 , 546 , 752打开公关
[x] [sklearn/svm/_base.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/svm/_base.py) - 853公开公关
[x] [sklearn/inspection/_permutation_importance.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/inspection/_permutation_importance.py) - 81
[x] [sklearn/gaussian_process/_gpr.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/gaussian_process/_gpr.py) - 109 , 382
[x] [sklearn/gaussian_process/_gpc.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/gaussian_process/_gpc.py) - 110 , 537
[x] [sklearn/manifold/_spectral_embedding.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/manifold/_spectral_embedding.py) - 171 , 387
[x] [sklearn/manifold/_locally_linear.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/manifold/_locally_linear.py) - 146 , 252 , 584
[x] [sklearn/manifold/_t_sne.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/manifold/_t_sne.py) - 558
[x] [sklearn/manifold/_mds.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/manifold/_mds.py) - 51 , 198 , 314
[x] [sklearn/utils/_testing.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/utils/_testing.py) - 521
[x] [sklearn/utils/__init__.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/utils/__init__.py) - 478 , 623
[x] [sklearn/datasets/_kddcup99.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/datasets/_kddcup99.py) - 79
[x] [sklearn/datasets/_covtype.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/datasets/_covtype.py) - 69
[x] [sklearn/datasets/_rcv1.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/datasets/_rcv1.py) - 114
[x] [sklearn/datasets/_samples_generator.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/datasets/_samples_generator.py) - 127 , 323 , 440 , 531 , 618 ， 688 ， 767 ， 904 ， 965 ， 1030 ， 1106 ， 1159 ， 1218 ， 1258 ， 1307 ， 1368 ， 1420 ， 1483 ， 1571 ， 1662
[x] [sklearn/datasets/_olivetti_faces.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/datasets/_olivetti_faces.py) - 64
[x] [sklearn/datasets/_base.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/datasets/_base.py) - 157
[x] [sklearn/datasets/_twenty_newsgroups.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/datasets/_twenty_newsgroups.py) - 187
[x] [sklearn/mixture/_bayesian_mixture.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/mixture/_bayesian_mixture.py) - 166
[x] [sklearn/mixture/_base.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/mixture/_base.py) - 139
[x] [sklearn/mixture/_gaussian_mixture.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/mixture/_gaussian_mixture.py) - 504
[x] [sklearn/model_selection/_validation.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/model_selection/_validation.py) - 1006 , 1176
[x] [sklearn/model_selection/_split.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/model_selection/_split.py) - 382 , 588 , 1091 , 1196 , 1250 , 1390 , 1492 , 1605 , 2049公开公关
[x] [sklearn/model_selection/_search.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/model_selection/_search.py) - 207 , 1299
[x] [sklearn/neural_network/_multilayer_perceptron.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/neural_network/_multilayer_perceptron.py) - 782 , 1174
[x] [sklearn/neural_network/_rbm.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/neural_network/_rbm.py) - 59
[x] [sklearn/neighbors/_kde.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/neighbors/_kde.py) - 233
[x] [sklearn/neighbors/_nca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/neighbors/_nca.py) - 112
[X] [sklearn /协方差/ _robust_covariance.py]（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/covariance/_robust_covariance.py） - 63 ， 233 ， 328 ， 545
[x] [sklearn/covariance/_elliptic_envelope.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/covariance/_elliptic_envelope.py) - 40

Documentation Moderate Sprint good first issue

资料来源

jnothman

最有用的评论

我们想处理 sklearn/preprocessing/_data.py - 2178, 2607
@rachelcjordan和 @fabi-cast

wimlds #SciKitLearnSprint

Olks 于 2020-01-25

👍2

所有60条评论

嗨@jnothman ，我可以接受这个问题吗？谢谢

aby0 于 2018-01-29

申请一个模块/子包，然后试一试……

在2018年1月30 00:24，Somya阿南德[email protected]写道：

嗨@jnothman https://github.com/jnothman ，我可以接受这个问题吗？谢谢
—
你收到这个是因为你被提到了。
直接回复本邮件，在GitHub上查看
https://github.com/scikit-learn/scikit-learn/issues/10548#issuecomment-361243951 ，
或静音线程
https://github.com/notifications/unsubscribe-auth/AAEz62ie2pMFVg7uM6_MVnmWKRX-efgHks5tPcaHgaJpZM4Rwij3
.

jnothman 于 2018-01-29

@jnothman我很抱歉我

aby0 于 2018-01-29

我认为@jnothman 的意思只是从一个文件开始，例如 sklearn/cluster/k_means_.py，更新顶部帖子中的random_state文档字符串并打开 PR。

lesteve 于 2018-01-29

子包类似于 sklearn.cluster

jnothman 于 2018-01-29

谢谢。会这样做并打开公关。

aby0 于 2018-01-30

你好！ @jnothman

您还想替换 grid_search.py 中的以下注释吗？与您共享的线路相比，他们多出了一条线路。

random_state : int, RandomState instance or None, optional (default=None)
        Pseudo random number generator state used for random uniform sampling
        from lists of possible values instead of scipy.stats distributions.
        If int, random_state is the seed used by the random number generator;
        If RandomState instance, random_state is the random number generator;
        If None, the random number generator is the RandomState instance used
        by `np.random`.

shivamriky 于 2018-01-30

我可以使用 grid_search.py 和 k_means.py(KMeans)。

shivamriky 于 2018-01-30

单独留下 grid_search.py。它已被弃用。想法是最小化
重复的内容，并在词汇表中可用，以便我们可以
向用户提供有关 random_state 在其中的角色的最翔实的描述
特定估计量。

jnothman 于 2018-01-30

谢谢@jnothman。在替换这个 random_state 信息之前，我是否需要了解这些算法？

shivamriky 于 2018-01-31

您将需要广泛地了解算法，但不是每个细节
他们的实施。您将需要能够找到 random_state 的位置
如果算法中的随机化不完全明显，则使用。
在某些情况下，甚至不提供比
只是链接到词汇表；我们得看看情况如何。

jnothman 于 2018-01-31

好的谢谢你。我将开始慢慢研究算法。

问候，
希瓦姆·拉斯托吉

shivamriky 于 2018-02-03

我已经打开了一个拉取请求 #10614

shivamriky 于 2018-02-10

由于@aby0尚未声明 sklearn.cluster 模块。我想声明整个模块。请让我知道我是否可以处理它，或者我应该处理其他事情。

shivamriky 于 2018-02-10

有更新的吗？这对我们来说是一个漫长的假期，所以如果我可以选择这个，请告诉我。

shivamriky 于 2018-02-15

我将使用datasets模块，因为我已经在那里寻找 #10731 的文档字符串。

richford 于 2018-02-28

我声称linear_model模块。 ~~很快就会提出 PR。~~ #11900 提出。

接下来声明decomposition模块。

SirR4T 于 2018-08-23

需要执行此操作的模块清单：

[ ] 开发人员
[ ] 协方差
[x] 分解
[] dummy.py
[ ] 合奏
[ ] 特征提取
[] 特征选择
[] 高斯进程
[] kernel_approximation.py
[x] 线性模型通过 #11900
[ ] 流形
[ ] 指标
[ ] 混合物
[ ] 模型选择
[] 多类.py
[] 多输出.py
[ ] 邻居
[ ] 神经网络
[ ] 预处理
[] random_projection.py
[] 支持向量机
[ ] 树
[] 实用程序

SirR4T 于 2018-08-23

我们在就如何取得适当的平衡达成共识时遇到了一些困难
在这里，iirc

jnothman 于 2018-08-23

所以一定要注意上面合并的先前的 PR

jnothman 于 2018-08-23

@jnothman谢谢！将更新 PR 以提及传递 int 时的可重复性。

SirR4T 于 2018-08-23

愿意在另一个 PR 中使用所有其他模块，一旦这些模块被审查...

SirR4T 于 2018-08-25

我声称协方差。

BlackTeaAndCoffee 于 2018-09-01

@BlackTeaAndCoffee请注意，文档字符串格式尚未最终确定，此处列出的其他 PR 正在讨论中。所以你可能也想看看。

SirR4T 于 2018-09-01

我声称 feature_extraction

erodrago 于 2019-06-22

@jnothman和@NicolasHug刚刚发现了 #15222 和一些与之相关的 PR，我在总结这个时没有考虑到这些公关……其中一些从未被审查过……:(
为了使冲刺的事情变得清晰，我想知道我们是否可以解决这两个问题之一：如果是，那是哪一个？因为我可以避免重复信息。感谢您的合作。

cmarmo 于 2020-01-08

我不知道这个问题（应该检查得更好），我很高兴关闭https://github.com/scikit-learn/scikit-learn/issues/15222以支持这个问题

NicolasHug 于 2020-01-08

在@jnothman评论之后，也许这个问题应该贴上“中等”标签？

cmarmo 于 2020-01-09

我们想要处理 ensemble/_hist_gradient_boosting/binning。
@mojc和我。

野生动物

Malesche 于 2020-01-25

@anaisabeldhero和我想在多方面工作/*
#wimlds #SciKitLearnSprint

daphn3k 于 2020-01-25

@daphn3k ，我将在 sklearn/gaussian_process/ 上工作

wimlds #SciKitLearnSprint

anaisabeldhero 于 2020-01-25

我们想处理 sklearn/preprocessing/_data.py - 2178, 2607
@rachelcjordan和 @fabi-cast

wimlds #SciKitLearnSprint

Olks 于 2020-01-25

👍2

我和@Malesche想参加 sklearn/inspection/_permutation_importance.py

无线数据传输系统

mojc 于 2020-01-25

👍1

声称 sklearn/metrics/cluster/_unsupervised.py 文件！ #wimlds

stareh 于 2020-01-25

@daphn3k和我也采用协方差/* 和邻居/* #wimlds

anaisabeldhero 于 2020-01-25

宣称：
sklearn/dummy.py - 59
sklearn/multioutput.py - 578, 738
sklearn/kernel_approximation.py - 41, 143, 470
sklearn/multiclass.py - 687
sklearn/random_projection.py - 178、245、464、586

stareh 于 2020-01-25

PSA：请使用原句

传递 int 以获得跨多个函数调用的可重现结果。

而不是我目前在 PR 中看到的：

使用 int 使随机性具有确定性

这是不正确的，因为无论传递什么，RNG 始终是确定性的

CC @adrinjalali因为我认为你在冲刺

NicolasHug 于 2020-01-25

👍1

研究神经网络和混合

anaisabeldhero 于 2020-01-25

PSA：请使用原句
传递 int 以获得跨多个函数调用的可重现结果。
而不是我目前在 PR 中看到的：
使用 int 使随机性具有确定性
这是不正确的，因为无论传递什么，RNG 始终是确定性的
CC @adrinjalali因为我认为你在冲刺

嗨@NicolasHug这是为了评论我想的公关......哪个？ :)

cmarmo 于 2020-01-25

将在 scikit-learn/sklearn/model_selection/_validation.py 上工作

rachelcjordan 于 2020-01-25

@cmarmo这是所有 PR 的一般性评论。我看到一个并在那里发表评论，然后看到第二个并发现这是一种可以更好地在源头解决的模式

NicolasHug 于 2020-01-25

@cmarmo这是所有 PR 的一般性评论。我看到一个并在那里发表评论，然后看到第二个并发现这是一种可以更好地在源头解决的模式

抱歉@NicolasHug ，我的错，我没有发现该评论易于追踪。

cmarmo 于 2020-01-25

@NicolasHug在@anaisabeldhero和我的提交中更正了原始句子

daphn3k 于 2020-01-25

我和@Olks声称 sklearn/utils/extmath.py - 185, 297

fabi-cast 于 2020-01-25

声明 sklearn/ensemble/_iforest.py - 109

SergioDSR 于 2020-01-28

声明 sklearn/neural_network/_multilayer_perceptron.py - 782, 1174

GregoireMialon 于 2020-01-28

声明 sklearn/ensemble/_weight_boosting.py - 188、324、479、900、1022

DatenBiene 于 2020-01-29

声明 sklearn/multioutput.py - 578, 738

DatenBiene 于 2020-01-29

宣称：
sklearn/mixture/_bayesian_mixture.py - 166
sklearn/mixture/_base.py - 139
sklearn/mixture/_gaussian_mixture.py - 504

DatenBiene 于 2020-01-30

声明 sklearn/ensemble/_gb.py - 887, 1360

DatenBiene 于 2020-01-30

声明 sklearn/ensemble/_hist_gradient_boosting/gradient_boosting.py - 736, 918

DatenBiene 于 2020-01-30

声明 sklearn/neural_network/_rbm.py - 59

GregoireMialon 于 2020-01-30

宣称：

sklearn/svm/_classes.py - 90, 312, 546, 752
sklearn/svm/_base.py - 853

DatenBiene 于 2020-01-30

宣称：

sklearn/feature_selection/_mutual_info.py - 226、335、414
sklearn/metrics/cluster/_unsupervised.py - 80
sklearn/utils/_testing.py - 521
sklearn/utils/init.py - 478, 623

DatenBiene 于 2020-01-30

宣称：

sklearn/dummy.py - 59
sklearn/random_projection.py - 178、245、464、586

DatenBiene 于 2020-01-31

@DatenBiene @GregoireMialon感谢您在上个 sprint 中所做的所有贡献。只有 3 个模块未选中！

你有兴趣/有时间/有动力去解决这些问题吗（没有压力！）？

jeremiedbb 于 2020-02-12

嗨，杰瑞米！我会尽快去看看

勒梅尔。 12 热。 2020 à 15:53, Jérémie du Boisberranger <
通知@github.com> 一个 écrit ：

@DatenBiene https://github.com/DatenBiene @GregoireMialon
https://github.com/GregoireMialon感谢您的所有贡献
在最后一个冲刺期间。只有 3 个模块未选中！
你有兴趣/有时间/有动力去解决这些问题吗（没有
压力！）？
—
你收到这个是因为你被提到了。
直接回复本邮件，在GitHub上查看
https://github.com/scikit-learn/scikit-learn/issues/10548?email_source=notifications&email_token=AFY4624NQL3EAFLBGPUNAE3RCQEO3A5CNFSM4EOCFD32YY3PNVWWK3TUL52HS4DFVREXG43VMVBW63LNMVXHJKTDN5WW2ZLOORPWSZGOELRBT2A#issuecomment-585243112 ，
或退订
https://github.com/notifications/unsubscribe-auth/AFY4625457AU7OL4E4EUVOTRCQEO3ANCNFSM4EOCFD3Q
.

GregoireMialon 于 2020-02-13

嗨@jeremiedbb！今天我会努力完成剩下的3个模块😃

宣称：

sklearn/kernel_approximation.py - 41, 143, 470
sklearn/multiclass.py - 687
sklearn/ensemble/_base.py - 52

DatenBiene 于 2020-04-04

嗨@jnothman和@jeremiedbb ，看起来像所有修改过的文件。如果您发现任何遗留问题，我很乐意为您提供帮助。

DatenBiene 于 2020-04-16

👍1

非常感谢@DatenBiene和所有努力解决这个问题的贡献者！
我想我们可以关闭这个巨大的！
如果仍然缺少关于random_state描述的内容，请随时打开新的特定问题。

cmarmo 于 2020-04-16

此页面是否有帮助？

0 / 5 - 0 等级

Scikit-learn: 使 random_state 描述更具信息性并参考词汇表

最有用的评论

wimlds #SciKitLearnSprint

所有60条评论

野生动物

wimlds #SciKitLearnSprint

wimlds #SciKitLearnSprint

无线数据传输系统

相关问题