Scikit-learn: Rendez les descriptions random_state plus informatives et reportez-vous au glossaire
Nous avons récemment ajouté un glossaire à notre documentation, qui décrit entre autres les paramètres communs. Nous devrions maintenant remplacer les descriptions des paramètres random_state pour les rendre plus concises et informatives (voir #10415). Par exemple, au lieu 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`.
dans KMeans et MiniBatchKMeans, nous pourrions avoir :
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>`.
Par conséquent, la description doit se concentrer sur l'impact de random_state sur l'algorithme.
Les contributeurs intéressés à contribuer à ce changement doivent commencer par un module à la fois.
La liste des estimateurs à modifier est la suivante :
Liste des fichiers à modifier à l'aide du 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 relations publiques ouvertes
- [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 RP ouvert
- [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 Ouvert RP
- [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 RP ouvert
- [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 Ouvert RP
- [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/_stochastique_gradient.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_stochastique_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 Ouvert RP
- [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 RP ouvert
- [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
Tous les 60 commentaires
Salut @jnothman , puis-je prendre ce problème ? Merci
aby0
le 29 janv. 2018
Réclamez un module/sous-package et lancez-vous...
Le 30 janvier 2018 à 00h24, Somya Anand [email protected] a écrit :
Salut @jnothman https://github.com/jnothman , Puis-je prendre ce problème ? Merci
-
Vous recevez ceci parce que vous avez été mentionné.
Répondez directement à cet e-mail, consultez-le sur GitHub
https://github.com/scikit-learn/scikit-learn/issues/10548#issuecomment-361243951 ,
ou couper le fil
https://github.com/notifications/unsubscribe-auth/AAEz62ie2pMFVg7uM6_MVnmWKRX-efgHks5tPcaHgaJpZM4Rwij3
.
jnothman
le 29 janv. 2018
@jnothman Je suis désolé d'être naïf, mais pouvez-vous élaborer sur le module/sous-module ? Je veux dire, faites-vous référence à un sous-ensemble comme Kmeans par exemple ?
aby0
le 29 janv. 2018
Je pense que @jnothman signifie simplement commencer avec un fichier, par exemple sklearn/cluster/k_means_.py, mettre à jour la docstring random_state comme dans le post du haut et ouvrir un PR.
lesteve
le 29 janv. 2018
un sous-paquet est quelque chose comme sklearn.cluster
jnothman
le 29 janv. 2018
Merci. Fera cela et ouvrira un PR.
aby0
le 30 janv. 2018
Salut! @jnothman
Souhaitez-vous également remplacer les commentaires suivants tels qu'ils apparaissent dans grid_search.py ? Ils ont une ligne supplémentaire par rapport à celle que vous partagez.
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
le 30 janv. 2018
Je peux prendre grid_search.py et k_means.py(KMeans).
shivamriky
le 30 janv. 2018
laissez grid_search.py tranquille. il est obsolète. L'idée est de minimiser la
contenu qui est répété, et disponible dans le glossaire, afin que nous puissions
donner aux utilisateurs la description la plus informative sur le rôle de random_state dans
l'estimateur particulier.
jnothman
le 30 janv. 2018
Merci @jnothman. Aurai-je besoin de comprendre ces algorithmes avant de pouvoir remplacer ces informations random_state ?
shivamriky
le 31 janv. 2018
Vous devrez comprendre les algorithmes dans leur ensemble, mais pas tous les détails de
leur mise en œuvre. Vous devrez être en mesure de trouver où random_state
est utilisé, si la randomisation dans l'algorithme n'est pas complètement évidente.
Dans certains cas, il peut être approprié de ne même pas donner beaucoup plus de détails que
juste un lien vers le glossaire ; il faudra voir comment ça se passe.
jnothman
le 31 janv. 2018
D'accord, merci. Je vais commencer à parcourir les algorithmes lentement.
Salutations,
Shivam Rastogi
shivamriky
le 3 févr. 2018
J'ai ouvert une pull request #10614
shivamriky
le 10 févr. 2018
Puisque @aby0 n'a pas encore réclamé le module sklearn.cluster. Je voudrais réclamer le module entier. S'il vous plaît laissez-moi savoir si je peux travailler dessus ou si je devrais travailler sur autre chose.
shivamriky
le 10 févr. 2018
Une mise à jour les gars? Ce sont de longues vacances pour nous, alors faites-moi savoir si je peux choisir cela.
shivamriky
le 15 févr. 2018
Je vais prendre le module datasets puisque je fouille déjà dans les docstrings pour #10731.
richford
le 28 févr. 2018
Je réclame le module linear_model . soulèvera un PR bientôt. #11900 élevé.
Réclamer le module decomposition ensuite.
SirR4T
le 23 août 2018
Liste de contrôle des modules où cela doit être fait :
- [ ] développeurs
- [ ] covariance
- [x] décomposition
- [ ] mannequin.py
- [ ] ensemble
- [ ] extraction de caractéristiques
- [ ] sélection de fonctionnalité
- [ ] processus_gaussien
- [ ] kernel_approximation.py
- [x] linear_model via #11900
- [ ] collecteur
- [ ] métriques
- [ ] mélange
- [ ] sélection_modèle
- [ ] multiclasse.py
- [ ] multisortie.py
- [ ] voisins
- [ ] réseau neuronal
- [ ] prétraitement
- [ ] projection_aléatoire.py
- [ ] svm
- [ ] arbre
- [ ] utilitaires
SirR4T
le 23 août 2018
Nous avons eu du mal à parvenir à un consensus sur la manière de trouver le bon équilibre
ici, iirc
jnothman
le 23 août 2018
Faites donc attention aux PR précédents fusionnés ci-dessus
jnothman
le 23 août 2018
@jnothman merci ! mettra à jour les PRs pour mentionner la reproductibilité lors du passage d'un int.
SirR4T
le 23 août 2018
disposé à reprendre tous les autres modules dans un autre PR, une fois ceux-ci passés en revue...
SirR4T
le 25 août 2018
Je revendique la covariance.
BlackTeaAndCoffee
le 1 sept. 2018
@BlackTeaAndCoffee , sachez que le format de la chaîne doc n'est pas encore finalisé, des discussions ont eu lieu sur les autres PR répertoriés ici. Alors vous voudrez peut-être jeter un coup d'œil aussi.
SirR4T
le 1 sept. 2018
Je réclame feature_extraction
erodrago
le 22 juin 2019
@jnothman , @NicolasHug , vient de découvrir le #15222 et un certain nombre de relations publiques qui s'y rapportent que je n'ai pas pris en compte pour résumer celui-ci... certains d'entre eux n'ont jamais été examinés... :(
Afin de clarifier les choses pour les sprints, je me demande si nous pouvons clôturer l'un de ces deux problèmes : si oui, lequel ? Comme je peux éviter les informations dupliquées. Merci pour votre collaboration.
cmarmo
le 8 janv. 2020
Je n'étais pas au courant de ce problème (j'aurais dû mieux vérifier), je suis heureux de fermer https://github.com/scikit-learn/scikit-learn/issues/15222 en faveur de celui-ci
NicolasHug
le 8 janv. 2020
Suite au commentaire de @jnothman, ce problème pourrait peut-être mériter une étiquette « Modéré » ?
cmarmo
le 9 janv. 2020
Nous voulons travailler sur ensemble/_hist_gradient_boosting/binning.
@mojc et moi.
les sorcières
Malesche
le 25 janv. 2020
@anaisabeldhero et moi voulons travailler sur manifold/*
#wimlds #SciKitLearnSprint
daphn3k
le 25 janv. 2020
@daphn3k et moi allons travailler sur sklearn/gaussian_process/
wimlds #SciKitLearnSprint
anaisabeldhero
le 25 janv. 2020
Nous voulons travailler sur sklearn/preprocessing/_data.py - 2178, 2607
@rachelcjordan et @fabi-cast
wimlds #SciKitLearnSprint
Olks
le 25 janv. 2020
Moi et @Malesche voulons prendre le sklearn/inspection/_permutation_importance.py
WiMLDS
mojc
le 25 janv. 2020
revendiquant le fichier sklearn/metrics/cluster/_unsupervised.py ! #wimlds
stareh
le 25 janv. 2020
@daphn3k et je prends aussi la covariance/* et les voisins/* #wimlds
anaisabeldhero
le 25 janv. 2020
Réclamer:
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
le 25 janv. 2020
Message d'intérêt public : veuillez utiliser la phrase originale
Passez un int pour des résultats reproductibles sur plusieurs appels de fonction.
au lieu de ce que je vois dans les relations publiques en ce moment :
Utilisez un int pour rendre le caractère aléatoire déterministe
ce qui n'est pas correct, puisque le RNG est toujours déterministe quel que soit ce qui est passé
CC @adrinjalali puisque je pense que tu es au sprint
NicolasHug
le 25 janv. 2020
travailler sur le réseau de neurones et le mélange
anaisabeldhero
le 25 janv. 2020
Message d'intérêt public : veuillez utiliser la phrase originale
Passez un int pour des résultats reproductibles sur plusieurs appels de fonction.
au lieu de ce que je vois dans les relations publiques en ce moment :
Utilisez un int pour rendre le caractère aléatoire déterministe
ce qui n'est pas correct, puisque le RNG est toujours déterministe quel que soit ce qui est passé
CC @adrinjalali puisque je pense que tu es au sprint
Salut @NicolasHug, c'était pour commenter un PR, je suppose... lequel ? :)
cmarmo
le 25 janv. 2020
va travailler sur scikit-learn/sklearn/model_selection/_validation.py
rachelcjordan
le 25 janv. 2020
@cmarmo C'était un commentaire général pour tous les PR. J'en ai vu un et j'y ai commenté, puis j'en ai vu un deuxième et j'ai compris que c'était un modèle qui serait mieux traité à la source
NicolasHug
le 25 janv. 2020
@cmarmo C'était un commentaire général pour tous les PR. J'en ai vu un et j'y ai commenté, puis j'en ai vu un deuxième et j'ai compris que c'était un modèle qui serait mieux traité à la source
Désolé @NicolasHug , mon mauvais, je n'ai pas trouvé le commentaire facile à tracer.
cmarmo
le 25 janv. 2020
@NicolasHug La phrase originale a été corrigée dans les commits de @anaisabeldhero et moi
daphn3k
le 25 janv. 2020
Moi et @Olks revendiquons sklearn/utils/extmath.py - 185, 297
fabi-cast
le 25 janv. 2020
Revendication sklearn/ensemble/_iforest.py - 109
SergioDSR
le 28 janv. 2020
Réclamer sklearn/neural_network/_multilayer_perceptron.py - 782, 1174
GregoireMialon
le 28 janv. 2020
Réclamer sklearn/ensemble/_weight_boosting.py - 188, 324, 479, 900, 1022
DatenBiene
le 29 janv. 2020
Réclamer sklearn/multioutput.py - 578, 738
DatenBiene
le 29 janv. 2020
Réclamer :
sklearn/mixture/_bayesian_mixture.py - 166
sklearn/mixture/_base.py - 139
sklearn/mixture/_gaussian_mixture.py - 504
DatenBiene
le 30 janv. 2020
Réclamer sklearn/ensemble/_gb.py - 887, 1360
DatenBiene
le 30 janv. 2020
Réclamer sklearn/ensemble/_hist_gradient_boosting/gradient_boosting.py - 736, 918
DatenBiene
le 30 janv. 2020
Réclamer sklearn/neural_network/_rbm.py - 59
GregoireMialon
le 30 janv. 2020
Réclamer :
sklearn/svm/_classes.py - 90, 312, 546, 752
sklearn/svm/_base.py - 853
DatenBiene
le 30 janv. 2020
Réclamer:
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
le 30 janv. 2020
Réclamer :
sklearn/dummy.py - 59
sklearn/random_projection.py - 178, 245, 464, 586
DatenBiene
le 31 janv. 2020
@DatenBiene @GregoireMialon Merci pour toutes vos contributions lors du dernier sprint. Il ne reste que 3 modules non cochés !
Seriez-vous intéressé/auriez-vous le temps/la motivation pour vous y attaquer (pas de pression !) ?
jeremiedbb
le 12 févr. 2020
Salut Jérémie ! je vais essayer d'y jeter un oeil prochainement
Le mer. 12 févr. 2020 à 15:53, Jérémie du Boisberranger <
[email protected]> un écrit :
@DatenBiene https://github.com/DatenBiene @GregoireMialon
https://github.com/GregoireMialon Merci pour toutes vos contributions
lors du dernier sprint. Il ne reste que 3 modules non cochés !Seriez-vous intéressé / avez-vous le temps / avez-vous la motivation pour vous attaquer à ceux-ci (non
pression !) ?-
Vous recevez ceci parce que vous avez été mentionné.
Répondez directement à cet e-mail, consultez-le sur GitHub
https://github.com/scikit-learn/scikit-learn/issues/10548?email_source=notifications&email_token=AFY4624NQL3EAFLBGPUNAE3RCQEO3A5CNFSM4EOCFD32YY3PNVWWK3TUL52HS4DFVREXG43VMHJW63LNMVA5CNFSM4EOCFD32YY3PNVWWK3TUL52HS4DFVREXG43VMHJW63LNMVA
ou se désinscrire
https://github.com/notifications/unsubscribe-auth/AFY4625457AU7OL4E4EUVOTRCQEO3ANCNFSM4EOCFD3Q
.
GregoireMialon
le 13 févr. 2020
Salut @jeremiedbb ! Je vais essayer de finir les 3 modules restants aujourd'hui 😃
Réclamer:
sklearn/kernel_approximation.py - 41, 143, 470
sklearn/multiclass.py - 687
sklearn/ensemble/_base.py - 52
DatenBiene
le 4 avr. 2020
Salut @jnothman et @jeremiedbb , ressemble à tous les fichiers qui ont été modifiés. Je serais heureux de vous aider si vous trouvez des problèmes restants.
DatenBiene
le 16 avr. 2020
Merci beaucoup @DatenBiene et tous les contributeurs qui ont travaillé pour clore ce problème !
Je pense que nous pouvons fermer cet énorme!
N'hésitez pas à ouvrir de nouveaux problèmes spécifiques s'il manque encore quelque chose dans la description de random_state .
cmarmo
le 16 avr. 2020
Questions connexes
trchan
·
3Commentaires
divyaprabha123
·
3Commentaires
tluocs
·
3Commentaires
stephantul
·
3Commentaires
ArtyomKaltovich
·
3Commentaires
Commentaire le plus utile
Nous voulons travailler sur sklearn/preprocessing/_data.py - 2178, 2607
@rachelcjordan et @fabi-cast
wimlds #SciKitLearnSprint