Scikit-learn: Haga que las descripciones de random_state sean más informativas y consulte el glosario

Creado en 29 ene. 2018 · 60Comentarios · Fuente: scikit-learn/scikit-learn

Recientemente agregamos un Glosario a nuestra documentación, que describe parámetros comunes entre otras cosas. Ahora deberíamos reemplazar las descripciones de los parámetros random_state para hacerlos más concisos e informativos (ver # 10415). Por ejemplo, en lugar de

    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`.

tanto en KMeans como en MiniBatchKMeans, podríamos tener:

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>`.

Por lo tanto, la descripción debe centrarse en cuál es el impacto de random_state en el algoritmo.

Los contribuyentes interesados en contribuir con este cambio deben tomar un módulo a la vez, inicialmente.

La lista de estimadores a modificar es la siguiente:

Lista de archivos para modificar usando el script kwinata

[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 relaciones públicas abiertas
[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 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 PR abierto
[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 Abierto 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 Relaciones públicas abiertas
[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 Abrir PR
[x] [sklearn / linear_model / _sag.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_sag.py) - 154 Relaciones públicas abiertas
[x] [sklearn / linear_model / _perceptron.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_perceptron.py) - 55 Relaciones públicas abiertas
[x] [sklearn / linear_model / _passive_aggressive.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_passive_aggressive.py) - 76 , 322 Relaciones públicas abiertas
[x] [sklearn / linear_model / _logistic.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_logistic.py) - 587 , 924 , 1100 , 1658 Abierto 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 Relaciones públicas abiertas
[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 Abierto PR
[x] [sklearn / svm / _base.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/svm/_base.py) - 853 PR abierto
[x] [sklearn / inspección / _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 / blend / _bayesian_mixture.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/mixture/_bayesian_mixture.py) - 166
[x] [sklearn / blend / _base.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/mixture/_base.py) - 139
[x] [sklearn / blend / _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 Abierto 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 / vecinos / _kde.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/neighbors/_kde.py) - 233
[x] [sklearn / vecinos / _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

Documentation Moderate Sprint good first issue

Fuente

jnothman

Comentario más útil

Queremos trabajar en sklearn / preprocessing / _data.py - 2178, 2607
@rachelcjordan y @ fabi-cast

wimlds #SciKitLearnSprint

Olks en 25 ene. 2020

👍2

Todos 60 comentarios

Hola @jnothman , ¿puedo

aby0 en 29 ene. 2018

Reclama un módulo / subpaquete y pruébalo ...

El 30 de enero de 2018 a las 00:24, Somya Anand [email protected] escribió:

Hola @jnothman https://github.com/jnothman , ¿Puedo resolver este problema? Gracias
-
Recibes esto porque te mencionaron.
Responda a este correo electrónico directamente, véalo en GitHub
https://github.com/scikit-learn/scikit-learn/issues/10548#issuecomment-361243951 ,
o silenciar el hilo
https://github.com/notifications/unsubscribe-auth/AAEz62ie2pMFVg7uM6_MVnmWKRX-efgHks5tPcaHgaJpZM4Rwij3
.

jnothman en 29 ene. 2018

@jnothman Lo siento por ser ingenuo, pero ¿puede dar más detalles sobre el módulo / submódulo? Quiero decir, ¿te refieres a un subpaquete como Kmeans, por ejemplo?

aby0 en 29 ene. 2018

Creo que lo que @jnothman significa es simplemente comenzar con un archivo, por ejemplo sklearn / cluster / k_means_.py, actualizar random_state docstring como en la publicación superior y abrir un PR.

lesteve en 29 ene. 2018

un subpaquete es algo así como sklearn.cluster

jnothman en 29 ene. 2018

Gracias. Haré eso y abriré un PR.

aby0 en 30 ene. 2018

¡Hola! @jnothman

¿También le gustaría reemplazar los siguientes comentarios como se ve en grid_search.py? Tienen una línea adicional en comparación con la que compartes.

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 en 30 ene. 2018

Puedo tomar grid_search.py y k_means.py (KMeans).

shivamriky en 30 ene. 2018

deje grid_search.py solo. está en desuso. La idea es minimizar la
contenido que se repite y está disponible en el glosario, para que podamos
dar a los usuarios la descripción más informativa sobre el papel de random_state en
el estimador particular.

jnothman en 30 ene. 2018

Gracias @jnothman. ¿Debo comprender estos algoritmos antes de poder reemplazar esta información de estado aleatorio?

shivamriky en 31 ene. 2018

Deberá comprender los algoritmos en general, pero no todos los detalles de
su implementación. Deberá poder encontrar dónde random_state
se utiliza, si la asignación al azar en el algoritmo no es completamente obvia.
En algunos casos, puede ser apropiado ni siquiera dar muchos más detalles que
simplemente enlazando al glosario; tendremos que ver cómo va.

jnothman en 31 ene. 2018

OK gracias. Comenzaré a revisar los algoritmos lentamente.

Saludos,
Shivam Rastogi

shivamriky en 3 feb. 2018

Abrí una solicitud de extracción # 10614

shivamriky en 10 feb. 2018

Dado que @ aby0 aún no ha reclamado el módulo sklearn.cluster. Me gustaría reclamar todo el módulo. Por favor, avíseme si puedo trabajar en ello o debería trabajar en otra cosa.

shivamriky en 10 feb. 2018

¿Alguna actualización chicos? Son unas vacaciones largas para nosotros, así que avíseme si puedo elegir esto.

shivamriky en 15 feb. 2018

Tomaré el módulo datasets ya que ya estoy hurgando en las cadenas de documentos para el # 10731.

richford en 28 feb. 2018

Reclamo el módulo linear_model . ~~levantará un PR pronto.~~ # 11900 levantado.

Reclamando el módulo decomposition siguiente.

SirR4T en 23 ago. 2018

Lista de verificación de los módulos en los que se debe hacer esto:

[] desarrolladores
[] covarianza
[x] descomposición
[] dummy.py
[] conjunto
[ ] extracción de características
[ ] selección de características
[] proceso_gaussiano
[] kernel_approximation.py
[x] linear_model vía # 11900
[] colector
[] métricas
[] mezcla
[] model_selection
[] multiclass.py
[] multioutput.py
[] vecinos
[] neural_network
[] preprocesamiento
[] random_projection.py
[] svm
[ ] árbol
[] utils

SirR4T en 23 ago. 2018

Tuvimos algunos problemas para llegar a un consenso sobre cómo lograr el equilibrio adecuado
aquí, iirc

jnothman en 23 ago. 2018

Así que preste atención a los RP anteriores fusionados anteriormente

jnothman en 23 ago. 2018

@jnothman gracias! actualizará los PR para mencionar la reproducibilidad al pasar un int.

SirR4T en 23 ago. 2018

dispuesto a retomar todos los demás módulos en otro RP, una vez que estos hayan sido revisados ...

SirR4T en 25 ago. 2018

Estoy reclamando covarianza.

BlackTeaAndCoffee en 1 sept. 2018

@BlackTeaAndCoffee , tenga en cuenta que el formato de la cadena de documentos aún no está finalizado, se han producido debates sobre los otros RP enumerados aquí. Así que quizás quieras echarle un vistazo también.

SirR4T en 1 sept. 2018

Estoy reclamando feature_extraction

erodrago en 22 jun. 2019

@jnothman , @NicolasHug , acaba de descubrir # 15222 y una serie de relaciones públicas relacionadas con él que no he tenido en cuenta al resumir este ... algunos de ellos nunca han sido revisados ... :(
Para dejar las cosas claras para los sprints, me pregunto si podemos cerrar uno de esos dos problemas: si es así, ¿cuál? Como puedo evitar la información duplicada. Gracias por su colaboración.

cmarmo en 8 ene. 2020

No estaba al tanto de este problema (debería haberlo comprobado mejor), me complace cerrar https://github.com/scikit-learn/scikit-learn/issues/15222 a favor de este

NicolasHug en 8 ene. 2020

Siguiendo el comentario de @jnothman, ¿ quizás este problema podría merecer una etiqueta de 'Moderado'?

cmarmo en 9 ene. 2020

Queremos trabajar en ensemble / _hist_gradient_boosting / binning.
@mojc y yo.

wimlds

Malesche en 25 ene. 2020

@anaisabeldhero y yo queremos trabajar en manifold / *
#wimlds #SciKitLearnSprint

daphn3k en 25 ene. 2020

@ daphn3k y trabajaré en sklearn / gaussian_process /

wimlds #SciKitLearnSprint

anaisabeldhero en 25 ene. 2020

Queremos trabajar en sklearn / preprocessing / _data.py - 2178, 2607
@rachelcjordan y @ fabi-cast

wimlds #SciKitLearnSprint

Olks en 25 ene. 2020

👍2

@Malesche y

WiMLDS

mojc en 25 ene. 2020

👍1

reclamando el archivo sklearn / metrics / cluster / _unsupervised.py! #wimlds

stareh en 25 ene. 2020

@ daphn3k y también tomamos la covarianza / * y los vecinos / * #wimlds

anaisabeldhero en 25 ene. 2020

afirmar:
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 en 25 ene. 2020

PSA: use la oración original

Pase un int para obtener resultados reproducibles en varias llamadas a funciones.

en lugar de lo que veo en las relaciones públicas en este momento:

Use un int para hacer que la aleatoriedad sea determinista

lo cual no es correcto, ya que el RNG siempre es determinista independientemente de lo que se pase

CC @adrinjalali ya que creo que estás en el sprint

NicolasHug en 25 ene. 2020

👍1

trabajando en la red neuronal y la mezcla

anaisabeldhero en 25 ene. 2020

PSA: use la oración original
Pase un int para obtener resultados reproducibles en varias llamadas a funciones.
en lugar de lo que veo en las relaciones públicas en este momento:
Use un int para hacer que la aleatoriedad sea determinista
lo cual no es correcto, ya que el RNG siempre es determinista independientemente de lo que se pase
CC @adrinjalali ya que creo que estás en el sprint

Hola @NicolasHug, esto estaba destinado a comentar un PR, supongo ... ¿cuál? :)

cmarmo en 25 ene. 2020

vamos a trabajar en scikit-learn / sklearn / model_selection / _validation.py

rachelcjordan en 25 ene. 2020

@cmarmo Ese fue un comentario general para todos los RP. Vi uno y comenté allí, luego vi un segundo y descubrí que era un patrón que se abordaría mejor en la fuente

NicolasHug en 25 ene. 2020

@cmarmo Ese fue un comentario general para todos los RP. Vi uno y comenté allí, luego vi un segundo y descubrí que era un patrón que se abordaría mejor en la fuente

Lo siento @NicolasHug , mi

cmarmo en 25 ene. 2020

@NicolasHug La oración original ha sido corregida en las confirmaciones de @anaisabeldhero y yo.

daphn3k en 25 ene. 2020

@Olks y

fabi-cast en 25 ene. 2020

Reclamar sklearn / ensemble / _iforest.py - 109

SergioDSR en 28 ene. 2020

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

GregoireMialon en 28 ene. 2020

Reclamar sklearn / ensemble / _weight_boosting.py - 188, 324, 479, 900, 1022

DatenBiene en 29 ene. 2020

Reclamar sklearn / multioutput.py - 578, 738

DatenBiene en 29 ene. 2020

Afirmar :
sklearn / blend / _bayesian_mixture.py - 166
sklearn / blend / _base.py - 139
sklearn / blend / _gaussian_mixture.py - 504