Scikit-learn: Machen Sie die Beschreibungen von random_state informativer und beziehen Sie sich auf das Glossar
Wir haben unserer Dokumentation vor kurzem ein Glossar hinzugefügt, das unter anderem allgemeine Parameter beschreibt. Wir sollten jetzt Beschreibungen von random_state Parametern ersetzen, um sie prägnanter und informativer zu machen (siehe #10415). Zum Beispiel statt
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`.
Sowohl in KMeans als auch in MiniBatchKMeans haben wir möglicherweise:
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>`.
Daher sollte sich die Beschreibung darauf konzentrieren, wie sich random_state auf den Algorithmus auswirkt.
Mitwirkende, die daran interessiert sind, zu dieser Änderung beizutragen, sollten zunächst ein Modul nach dem anderen belegen.
Die Liste der zu ändernden Schätzer lautet wie folgt:
Liste der Dateien, die mit dem Kwinata- Skript geändert werden sollen
- [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 offene 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)18 . 736 , 9
[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 Open PR
- [x] [sklearn/decomposition/_kernel_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_kernel_pca.py) - 79 Open PR
- [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 Offene PR
- [x] [sklearn/decomposition/_fastica.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_fastica.py) - 205 , 344 Open PR
- [x] [sklearn/decomposition/_nmf.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_nmf.py) - 290 , 475 , 966 , 1159 Öffnen PR
- [x] [sklearn/decomposition/_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_pca.py) - 192 Open PR
- [x] [sklearn/decomposition/_sparse_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_sparse_pca.py) - 82 , 285 Open PR
- [x] [sklearn/decomposition/_lda.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_lda.py) - 60 , 79 , 225 Open PR
- [x] [sklearn/decomposition/_factor_analysis.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_factor_analysis.py) - 92 Open PR
- [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 Open PR
- [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 Offene PR
- [x] [sklearn/linear_model/_sag.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_sag.py) - 154 Open PR
- [x] [sklearn/linear_model/_perceptron.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_perceptron.py) - 55 Open PR
- [x] [sklearn/linear_model/_passive_aggressive.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_passive_aggressive.py) - 76 , 322 Open PR
- [x] [sklearn/linear_model/_logistic.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_logistic.py) - 587 , 924 , 1100 , 1658 Öffnen PR
- [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 Open PR
- [x] [sklearn/linear_model/_theil_sen.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_theil_sen.py) - 243 Open PR
- [x] [sklearn/linear_model/_ridge.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_ridge.py) - 325 , 693 , 853 Open PR
- [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 Öffnen PR
- [x] [sklearn/svm/_base.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/svm/_base.py) - 853 Open PR
- [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 Offene PR
- [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/covariance/_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
jnothman
Alle 60 Kommentare
Hallo @jnothman , kann ich dieses Problem annehmen? Vielen Dank
aby0
am 29. Jan. 2018
Beanspruchen Sie ein Modul/Unterpaket und probieren Sie es aus...
Am 30. Januar 2018 um 00:24 Uhr schrieb Somya Anand [email protected] :
Hallo @jnothman https://github.com/jnothman , kann ich dieses Problem lösen ? Vielen Dank
—
Sie erhalten dies, weil Sie erwähnt wurden.
Antworten Sie direkt auf diese E-Mail und zeigen Sie sie auf GitHub an
https://github.com/scikit-learn/scikit-learn/issues/10548#issuecomment-361243951 ,
oder den Thread stumm schalten
https://github.com/notifications/unsubscribe-auth/AAEz62ie2pMFVg7uM6_MVnmWKRX-efgHks5tPcaHgaJpZM4Rwij3
.
jnothman
am 29. Jan. 2018
@jnothman Es tut mir leid, dass ich naiv bin, aber können Sie das Modul / Untermodul
aby0
am 29. Jan. 2018
Ich denke, was @jnothman bedeutet, ist, einfach mit einer Datei zu beginnen, zum Beispiel sklearn/cluster/k_means_.py, den random_state Docstring wie im oberen Beitrag zu aktualisieren und eine PR zu öffnen.
lesteve
am 29. Jan. 2018
ein Unterpaket ist so etwas wie sklearn.cluster
jnothman
am 29. Jan. 2018
Vielen Dank. Werde das machen und eine PR eröffnen.
aby0
am 30. Jan. 2018
Hi! @jnothman
Möchten Sie auch die folgenden Kommentare aus grid_search.py ersetzen? Sie haben eine zusätzliche Zeile im Vergleich zu der von Ihnen geteilten.
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
am 30. Jan. 2018
Ich kann grid_search.py und k_means.py(KMeans) nehmen.
shivamriky
am 30. Jan. 2018
lasse grid_search.py in Ruhe. es ist veraltet. Die Idee ist, die
Inhalte, die wiederholt werden und im Glossar verfügbar sind, damit wir
Geben Sie den Benutzern die informativste Beschreibung über die Rolle von random_state in
der jeweilige Schätzer.
jnothman
am 30. Jan. 2018
Danke @jnothman. Muss ich diese Algorithmen verstehen, bevor ich diese random_state-Informationen ersetzen kann?
shivamriky
am 31. Jan. 2018
Sie müssen die Algorithmen im Großen und Ganzen verstehen, aber nicht jedes Detail von
deren Umsetzung. Sie müssen in der Lage sein zu finden, wo random_state
wird verwendet, wenn die Randomisierung im Algorithmus nicht ganz offensichtlich ist.
In einigen Fällen kann es angebracht sein, nicht einmal viel mehr Details anzugeben als
nur auf das Glossar verlinken; wir müssen sehen, wie es läuft.
jnothman
am 31. Jan. 2018
Okay, danke. Ich werde langsam anfangen, die Algorithmen durchzugehen.
Grüße,
Shivam Rastogi
shivamriky
am 3. Feb. 2018
Ich habe eine Pull-Anfrage Nr. 10614 geöffnet
shivamriky
am 10. Feb. 2018
Da @aby0 das sklearn.cluster-Modul noch nicht beansprucht hat. Ich möchte das ganze Modul beanspruchen. Bitte lassen Sie mich wissen, ob ich daran arbeiten kann oder ich an etwas anderem arbeiten sollte.
shivamriky
am 10. Feb. 2018
Irgendein Update Jungs? Es ist ein langer Urlaub für uns, also lassen Sie es mich wissen, wenn ich das auswählen kann.
shivamriky
am 15. Feb. 2018
Ich nehme das Modul datasets da ich dort bereits in den Docstrings nach #10731 herumstöbere.
richford
am 28. Feb. 2018
Ich beanspruche das Modul linear_model . wird bald eine PR erstellen. #11900 erhoben.
Als nächstes wird das Modul decomposition beansprucht.
SirR4T
am 23. Aug. 2018
Checkliste der Module, in denen dies durchgeführt werden muss:
- [ ] Entwickler
- [ ] Kovarianz
- [x] Zerlegung
- [ ] dummy.py
- [ ] Ensemble
- [ ] feature_extraktion
- [ ] Merkmalsauswahl
- [ ] Gaussian_process
- [ ] kernel_approximation.py
- [x] linear_model über #11900
- [ ] mannigfaltig
- [ ] Metriken
- [ ] Mischung
- [ ] Modellauswahl
- [ ] multiclass.py
- [ ] multioutput.py
- [ ] Nachbarn
- [ ] neurales Netzwerk
- [ ] Vorverarbeitung
- [ ] random_projection.py
- [ ] svm
- [ ] Baum
- [ ] utils
SirR4T
am 23. Aug. 2018
Wir hatten einige Schwierigkeiten, einen Konsens darüber zu erzielen, wie wir die richtige Balance finden
hier, iirc
jnothman
am 23. Aug. 2018
Achten Sie also auf die oben zusammengeführten früheren PRs
jnothman
am 23. Aug. 2018
@jnothman danke! wird die PRs aktualisieren, um die Reproduzierbarkeit zu erwähnen, wenn ein int.
SirR4T
am 23. Aug. 2018
bereit, alle anderen Module in einer anderen PR zu belegen, wenn diese überprüft wurden...
SirR4T
am 25. Aug. 2018
Ich behaupte Kovarianz.
BlackTeaAndCoffee
am 1. Sept. 2018
@BlackTeaAndCoffee Bitte
SirR4T
am 1. Sept. 2018
Ich beanspruche feature_extraction
erodrago
am 22. Juni 2019
@jnothman , @NicolasHug , habe gerade #15222 und eine Reihe von PR im Zusammenhang damit entdeckt, die ich bei der Zusammenfassung dieses Artikels nicht berücksichtigt habe ... einige von ihnen wurden nie überprüft ... :(
Um die Dinge für Sprints klar zu machen, frage ich mich, ob wir eines dieser beiden Themen schließen können: Wenn ja, welches? Da kann ich doppelte Informationen vermeiden. Vielen Dank für Ihre Zusammenarbeit.
cmarmo
am 8. Jan. 2020
Dieses Problem war mir nicht bekannt (hätte besser nachsehen sollen), ich schließe gerne https://github.com/scikit-learn/scikit-learn/issues/15222 zugunsten dieses Problems
NicolasHug
am 8. Jan. 2020
Wenn Sie dem Kommentar von @jnothman folgen , könnte dieses Problem möglicherweise ein "Moderat"-Label verdienen?
cmarmo
am 9. Jan. 2020
Wir wollen an ensemble/_hist_gradient_boosting/binning arbeiten.
@mojc und ich.
wimlds
Malesche
am 25. Jan. 2020
@anaisabeldhero und ich wollen an Mannigfaltigkeit arbeiten/*
#wimlds #SciKitLearnSprint
daphn3k
am 25. Jan. 2020
@daphn3k und ich arbeiten an sklearn/gaussian_process/
wimlds #SciKitLearnSprint
anaisabeldhero
am 25. Jan. 2020
Wir wollen an sklearn/preprocessing/_data.py arbeiten - 2178, 2607
@rachelcjordan und @fabi-cast
wimlds #SciKitLearnSprint
Olks
am 25. Jan. 2020
Ich und @Malesche wollen die sklearn/inspection/_permutation_importance.py machen
WiMLDS
mojc
am 25. Jan. 2020
beansprucht die Datei sklearn/metrics/cluster/_unsupervised.py! #wimlds
stareh
am 25. Jan. 2020
@daphn3k und ich nehmen auch die Kovarianz/* und Nachbarn/* #wimlds
anaisabeldhero
am 25. Jan. 2020
Anspruch:
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
am 25. Jan. 2020
PSA: Bitte den Originalsatz verwenden
Übergeben Sie ein int für reproduzierbare Ergebnisse über mehrere Funktionsaufrufe hinweg.
anstelle dessen, was ich derzeit in PRs sehe:
Verwenden Sie einen int, um die Zufälligkeit deterministisch zu machen
was nicht korrekt ist, da der RNG immer deterministisch ist, unabhängig davon, was übergeben wird
CC @adrinjalali da ich glaube du bist im Sprint
NicolasHug
am 25. Jan. 2020
Arbeiten am neuronalen Netz und Mischung
anaisabeldhero
am 25. Jan. 2020
PSA: Bitte den Originalsatz verwenden
Übergeben Sie ein int für reproduzierbare Ergebnisse über mehrere Funktionsaufrufe hinweg.
anstelle dessen, was ich derzeit in PRs sehe:
Verwenden Sie einen int, um die Zufälligkeit deterministisch zu machen
was nicht korrekt ist, da der RNG immer deterministisch ist, unabhängig davon, was übergeben wird
CC @adrinjalali da ich glaube du bist im Sprint
Hallo @NicolasHug, das sollte eine PR kommentieren, nehme ich an ... welche? :)
cmarmo
am 25. Jan. 2020
werde an scikit-learn/sklearn/model_selection/_validation.py arbeiten
rachelcjordan
am 25. Jan. 2020
@cmarmo Das war ein allgemeiner Kommentar für alle PRs. Ich habe eines gesehen und dort kommentiert, dann habe ich ein zweites gesehen und herausgefunden, dass es ein Muster war, das besser an der Quelle angesprochen werden sollte
NicolasHug
am 25. Jan. 2020
@cmarmo Das war ein allgemeiner Kommentar für alle PRs. Ich habe eines gesehen und dort kommentiert, dann habe ich ein zweites gesehen und herausgefunden, dass es ein Muster war, das besser an der Quelle angesprochen werden sollte
Sorry @NicolasHug , mein
cmarmo
am 25. Jan. 2020
@NicolasHug Originalsatz wurde in den Commits von @anaisabeldhero und mir korrigiert
daphn3k
am 25. Jan. 2020
Ich und @Olks behaupten sklearn/utils/extmath.py - 185, 297
fabi-cast
am 25. Jan. 2020
Anspruch sklearn/ensemble/_iforest.py - 109
SergioDSR
am 28. Jan. 2020
Anspruch sklearn/neural_network/_multilayer_perceptron.py - 782, 1174
GregoireMialon
am 28. Jan. 2020
Anspruch sklearn/ensemble/_weight_boosting.py - 188, 324, 479, 900, 1022
DatenBiene
am 29. Jan. 2020
Anspruch sklearn/multioutput.py - 578, 738
DatenBiene
am 29. Jan. 2020
Anspruch :
sklearn/mixture/_bayesian_mixture.py - 166
sklearn/mixture/_base.py - 139
sklearn/mixture/_gaussian_mixture.py - 504
DatenBiene
am 30. Jan. 2020
Anspruch sklearn/ensemble/_gb.py - 887, 1360
DatenBiene
am 30. Jan. 2020
Anspruch sklearn/ensemble/_hist_gradient_boosting/gradient_boosting.py - 736, 918
DatenBiene
am 30. Jan. 2020
Anspruch sklearn/neural_network/_rbm.py - 59
GregoireMialon
am 30. Jan. 2020
Anspruch :
sklearn/svm/_classes.py - 90, 312, 546, 752
sklearn/svm/_base.py - 853
DatenBiene
am 30. Jan. 2020
Anspruch:
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
am 30. Jan. 2020
Anspruch :
sklearn/dummy.py - 59
sklearn/random_projection.py - 178, 245, 464, 586
DatenBiene
am 31. Jan. 2020
@DatenBiene @GregoireMialon Danke für all eure Beiträge während des letzten Sprints. Es sind nur noch 3 Module ungeprüft !
Hätten Sie Interesse / Zeit / Motivation, diese anzugehen (kein Druck !) ?
jeremiedbb
am 12. Feb. 2020
Hallo Jérémie! Ich versuche es demnächst mal anzuschauen
Lemer. 12. Februar. 2020 à 15:53, Jérémie du Boisberganger <
[email protected]> ein écrit :
@DatenBiene https://github.com/DatenBiene @GregoireMialon
https://github.com/GregoireMialon Danke für all eure Beiträge
im letzten Sprint. Es sind nur noch 3 Module ungeprüft !Hätten Sie Interesse / Zeit / Motivation diese anzugehen (nein
Druck !) ?—
Sie erhalten dies, weil Sie erwähnt wurden.
Antworten Sie direkt auf diese E-Mail und zeigen Sie sie auf GitHub an
https://github.com/scikit-learn/scikit-learn/issues/10548?email_source=notifications&email_token=AFY4624NQL3EAFLBGPUNAE3RCQEO3A5CNFSM4EOCFD32YY3PNVWWK3TUL52HS4DFVREXG43VMVBW63LNmentWWWK3TUL52HS4DFVREXG43VMVBW63LNment
oder abmelden
https://github.com/notifications/unsubscribe-auth/AFY4625457AU7OL4E4EUVOTRCQEO3ANCNFSM4EOCFD3Q
.
GregoireMialon
am 13. Feb. 2020
Hallo @jeremiedbb! Ich werde heute versuchen die 3 verbleibenden Module zu beenden 😃
Anspruch:
sklearn/kernel_approximation.py - 41, 143, 470
sklearn/multiclass.py - 687
sklearn/ensemble/_base.py - 52
DatenBiene
am 4. Apr. 2020
Hallo @jnothman und @jeremiedbb , sieht so aus, als ob alle Dateien geändert wurden. Ich helfe Ihnen gerne, wenn Sie noch Probleme haben.
DatenBiene
am 16. Apr. 2020
Vielen Dank @DatenBiene und alle Mitwirkenden, die daran gearbeitet haben, dieses Problem zu schließen!
Ich denke, wir können dieses riesige schließen!
Fühlen Sie sich frei, neue spezifische Probleme zu eröffnen, wenn noch etwas an der Beschreibung von random_state fehlt.
cmarmo
am 16. Apr. 2020
Verwandte Themen
yinruiqing
·
3Kommentare
rebeccaroisin
·
4Kommentare
jrbourbeau
·
3Kommentare
stephantul
·
3Kommentare
trchan
·
3Kommentare
Hilfreichster Kommentar
Wir wollen an sklearn/preprocessing/_data.py arbeiten - 2178, 2607
@rachelcjordan und @fabi-cast
wimlds #SciKitLearnSprint