Scikit-learn: सुनिश्चित करें कि सभी विशेषताएँ प्रलेखित हैं

को निर्मित 12 जुल॰ 2019 · 79टिप्पणियाँ · स्रोत: scikit-learn/scikit-learn

जैसा कि # 13385 में चर्चा की गई है, हमें यह सुनिश्चित करने की आवश्यकता है कि सभी विशेषताओं को प्रलेखित किया जाए।

यदि आप इस पर काम करना चाहते हैं, तो आपको एक विशिष्ट सबमॉड्यूल चुनना चाहिए और उस सबमॉडल में सभी विशेषता दस्तावेज बेमेल को ठीक करना चाहिए।

शेष लोगों को खोजने के लिए यहां एक स्क्रिप्ट है (कुछ झूठी सकारात्मकताएं हो सकती हैं):

import numpy as np
from sklearn.base import clone
from sklearn.utils.testing import all_estimators
from sklearn.utils.estimator_checks import pairwise_estimator_convert_X, enforce_estimator_tags_y
from numpydoc import docscrape

ests = all_estimators()

for name, Est in ests:
    try:
        estimator_orig = Est()
    except:
        continue
    rng = np.random.RandomState(0)
    X = pairwise_estimator_convert_X(rng.rand(40, 10), estimator_orig)
    X = X.astype(object)
    y = (X[:, 0] * 4).astype(np.int)
    est = clone(estimator_orig)
    y = enforce_estimator_tags_y(est, y)
    try:
        est.fit(X, y)
    except:
        continue
    fitted_attrs = [(x, getattr(est, x, None))
                    for x in est.__dict__.keys() if x.endswith("_")
                    and not x.startswith("_")]
    doc = docscrape.ClassDoc(type(est))
    doc_attributes = []
    incorrect = []
    for att_name, type_definition, param_doc in doc['Attributes']:
        if not type_definition.strip():
            if ':' in att_name and att_name[:att_name.index(':')][-1:].strip():
                incorrect += [name +
                              ' There was no space between the param name and '
                              'colon (%r)' % att_name]
            elif name.rstrip().endswith(':'):
                incorrect += [name +
                              ' Parameter %r has an empty type spec. '
                              'Remove the colon' % (att_name.lstrip())]

        if '*' not in att_name:
            doc_attributes.append(att_name.split(':')[0].strip('` '))
    assert incorrect == []
    fitted_attrs_names = [x[0] for x in fitted_attrs]

    bad = sorted(list(set(fitted_attrs_names) ^ set(doc_attributes)))
    if len(bad) > 0:
        msg = '{}\n'.format(name) + '\n'.join(bad)
        print("Docstring Error: Attribute mismatch in " + msg)

Documentation Easy good first issue help wanted

स्रोत

amueller

🚀1 👍1

सबसे उपयोगी टिप्पणी

प्रत्येक अनुमानक के लिए गुम विशेषता डॉकस्ट्रिंग्स

इस मुद्दे को अपने पीआर में देखें

[x] ARDRegression, [इंटरसेप्ट_]
[x] AdaBoostClassifier, [base_estimator_]
[x] AdaBoostRegressor, [base_estimator_]
[x] AdditiveChi2Sampler, [sample_interval_]
[x] एग्लोमेरेटिव क्लस्टरिंग, [n_compenders_] (पदावनत)
[x] बैगिंगक्लासीफायर, [n_features_]
[x] बैगिंगराइजर, [base_estimator_, n_features_]
[x] बेयसियनगौसियन मिक्सचर, [माध्य_प्रवचन_प्यार, माध्य_प्रवचन_प्यार]
[x] बायेसियनरिज, [X_offset_, X_scale_]
[x] बर्नौलीएनबी, [कोएफ़_, इंटरसेप्ट_]
[x] बर्नौलीआरबीएम, [h_samples_]
[] बर्च, [fit_, आंशिक_फिट_]
[] CCA, [coef_, x_mean_, x_std_, y_mean_, y_stt_]
[x] जाँचकर्ता, [क्लासरूम]
[x] पूरक, [coef_, intercept_]
[x] काउंटवेक्टर, [stop_words_, शब्दावली_]
[] निर्णय निर्णयकर्ता, [वर्ग_, n_classes_]
[x] डिक्टवेक्टराइज़र, [feature_names_, शब्दावली_]
[] डमीक्लासीफायर, [output_2d_]
[] डमीरीग्रेड, [output_2d_]
[] इलास्टिकनेट, [dual_gap_]
[] ElasticNetCV, [dual_gap_]
[] एलिप्टीसेक्विंड, [dist_, raw_covariance_, raw_location_, raw_support/]
[x] एक्सट्राट्रीक्लासीफायर, [feature_importances_]
]
[x] एक्सट्राट्रीक्लास क्लासिफायर, [base_estimator_]
[x] एक्स्ट्राट्रीस रेगर, [base_estimator_]
[x] फैक्टरअनलिसिस, [माध्य_]
[] FeatureAgglomeration, [n_compenders_]
[x] गौसियनप्रोसेसक्लासीफायर, [base_estimator_]
[x] गाऊसीअनरिज़ोनप्रोजेक्शन, [घटक_]
[x] GradientBoostingClassifier, [max_features_, n_classes_, n_features_, oob_improvement_]
[x] GradientBoostingRegressor, [max_features_, n_classes_, n_estimators_, n_features_, oob_improvement_]
[x] HistGradientBoostingClassifier, [bin_mapper_, classes_, do_early_stopping_, loss_, n_features_, scorer_]
[x] HistGradientBoostingRegressor, [bin_mapper_, do_early_stopping_, loss_, n_features_, scorer_]
[x] IncrementalPCA, [batch_size_]
[x] अलगाव, [आधार_estimator_, अनुमानक_सुविधाएँ, n_fitures]]
[x] IsotonicRegression, [X_max_, X_min_, f_]
[x] IterativeImputer, [random_state_]
[x] KNeighborsClassifier, [classes_, effective_metric_, प्रभावी_metric_params_, outputs_2d_]
[x] KNeighborsRegressor, [effective_metric_, प्रभावी_metric_params_]
[x] कर्नेलकेटर, [K_fit_all_, K_fit_rows_]
[x] कर्नेल घनत्व, [पेड़_]
[x] कर्नेलपका, [X_transformed_fit_, dual_coef_]
[x] लेबलबाइनराइज़र, [कक्षाएं_, विरल_पुष्प_, y_type_]
[x] लेबलइंकोडर, [वर्ग_]
[x] LarsCV, [सक्रिय_]
[x] लासो, [dual_gap_]
[x] LassoLarsCV, [active_]
[x] लास्लोअर्सिक, [alphas_]
]
[x] लिनियरडिस्क्रीमिनेंट एनलिसिस, [सहसंयोजक_]
[x] रेखीय प्रगति, [रैंक_, एकवचन_]
[x] रेखीयएसवीसी, [वर्ग_]
[x] LocalOutlierFactor, [प्रभावी_metric_, प्रभावी_metric_params_]
[x] एमडीएस, [असंतुष्टता_मित्र_, n_iter_]
[x] MLPClassifier, [best_loss_, loss_curve_, t_]
[x] MLPRegressor, [best_loss_, loss_curve_, t_]
[x] मिनमैक्सस्लेकर, [n_samples_seen_]
[x] मिनीबैचर्ड लर्निंग, [iter_offset_]
[x] MiniBatchKMeans, [counts_, init_size_, n_iter_]
[x] मल्टीलेबलबिनाइज़र, [वर्ग_]
[x] मल्टीटैस्कलाइनेटनेट, [dual_gap_, eps_, sparse_coef_]
[x] मल्टीटास्कलेनेटनेटसीवी, [दोहरे_गाप_]
]
[x] मल्टीटास्कलैसो सीवी, [dual_gap_]
[x] निकटतम संक्रांति, [वर्ग_]
[x] नियरेस्टेनिबर्स, [प्रभावी_मेट्रिक_, प्रभावी_मेट्रिक_परम_]
[x] नेबरहुडकम्पर्सअनलिसिस, [random_state_]
[x] NuSVC, [class_weight_, fit_status_, probA_, probB_, shape_fat_]
[] NuSVR, [class_weight_, fit_status_, n_support_, probA_, probB_, shape_fit_]
[x] OAS, [स्थान_]
[] OneClassSVM, [class_weight_, fit_status_, n_support_, probA_, probB_, shape_fit_]
[x] OneVsOneClassifier, [n_classes_]
[x] OneVsRestClassifier, [coef_, intercept_, n_classes_]
[x] ऑर्थोगोनलमैचिंग पर्पस, [n_nonzero_coefs_]
[] PLSCanonical, [coef_, x_mean_, x_std_, y_mean_, y_std_]
[x] PLSRegression, [x_mean_, x_std_, y_mean_, y_std_]
[] PLSSVD, [x_mean_, x_std_, y_mean_, y_std_]
[x] PassiveAggressiveClassifier, [loss_function_, t_]
[x] पैसिवएग्रेसिव रेगर, [t_]
[x] परसेप्ट्रॉन, [loss_function_]
[x] क्वाड्रेटिकडाइस्क्रीमिनेंट एनलिसिस, [वर्ग_, सहसंयोजक_]
[x] RBFSampler, [random_offset_, random_weights_]
[] RFE, [classes_]
[] RFECV, [वर्ग_]
[x] RadiusNeighborsClassifier, [classes_, effective_metric_, प्रभावी_metric_params_, outputs_2d_]
[x] रेडियस नेबर्सरेज़र, [प्रभावी_मेट्रिक_, प्रभावी_मेट्रिक_परम_]
[x] रैंडम फॉरेस्टक्लासीफायर, [oob_decision_function_, oob_score__]
[x] रैंडमफ़ॉर्स्ट रेगर, [oob_prediction_, oob_score_]
[x] रैंडम ट्रीसमेडिंग, [base_estimator_, feature_importances_, n_features_, n_outputs_, one_hot_encoder_]
[x] रिजकवि, [cv_values_]
[x] रिजक्लासीफायर, [वर्ग_]
[x] रिजक्लासीफायरसीवी, [cv_values_]
[x] SGDClassifier, [classes_, t_]
[x] SGDRegressor, [average_coef_, average_intercept_]
[x] SVC, [class_weight_, shape_fit_]
[] SVR, [class_weight_, fit_status_, n_support_, probA_, probB_, shape_fit_]
[x] SelectKBest, [pvalues_, score_]
[x] श्रुकोवेरियन, [सिकुड़न]
[x] SkewedChi2Sampler, [random_offset_, random_weights_]
[x] स्पार्सग्रैंड्रोमाइजेक्शन, [घटक_, घनत्व_]
[x] स्पेक्ट्रलएम्बेडिंग, [n_neighbors_]
[x] TfidfVectorizer, [stop_words_, शब्दावली_]

thomasjpfan 13 जुल॰ 2019

👍6

सभी 79 टिप्पणियाँ

मैं NMF वर्ग विवरण में विशेषता प्रलेखन में कम से कम एक बेमेल पाया है। मुझे लगता है कि मैं इस काम में से कुछ ले सकता हूं। मैं decomposition और random_projection सबमॉड्यूल्स के भीतर कुछ बदलावों का प्रस्ताव करने के लिए लगभग तैयार हूं।

alexitkes 12 जुल॰ 2019

प्रत्येक अनुमानक के लिए गुम विशेषता डॉकस्ट्रिंग्स

इस मुद्दे को अपने पीआर में देखें

[x] ARDRegression, [इंटरसेप्ट_]
[x] AdaBoostClassifier, [base_estimator_]
[x] AdaBoostRegressor, [base_estimator_]
[x] AdditiveChi2Sampler, [sample_interval_]
[x] एग्लोमेरेटिव क्लस्टरिंग, [n_compenders_] (पदावनत)
[x] बैगिंगक्लासीफायर, [n_features_]
[x] बैगिंगराइजर, [base_estimator_, n_features_]
[x] बेयसियनगौसियन मिक्सचर, [माध्य_प्रवचन_प्यार, माध्य_प्रवचन_प्यार]
[x] बायेसियनरिज, [X_offset_, X_scale_]
[x] बर्नौलीएनबी, [कोएफ़_, इंटरसेप्ट_]
[x] बर्नौलीआरबीएम, [h_samples_]
[] बर्च, [fit_, आंशिक_फिट_]
[] CCA, [coef_, x_mean_, x_std_, y_mean_, y_stt_]
[x] जाँचकर्ता, [क्लासरूम]
[x] पूरक, [coef_, intercept_]
[x] काउंटवेक्टर, [stop_words_, शब्दावली_]
[] निर्णय निर्णयकर्ता, [वर्ग_, n_classes_]
[x] डिक्टवेक्टराइज़र, [feature_names_, शब्दावली_]
[] डमीक्लासीफायर, [output_2d_]
[] डमीरीग्रेड, [output_2d_]
[] इलास्टिकनेट, [dual_gap_]
[] ElasticNetCV, [dual_gap_]
[] एलिप्टीसेक्विंड, [dist_, raw_covariance_, raw_location_, raw_support/]
[x] एक्सट्राट्रीक्लासीफायर, [feature_importances_]
]
[x] एक्सट्राट्रीक्लास क्लासिफायर, [base_estimator_]
[x] एक्स्ट्राट्रीस रेगर, [base_estimator_]
[x] फैक्टरअनलिसिस, [माध्य_]
[] FeatureAgglomeration, [n_compenders_]
[x] गौसियनप्रोसेसक्लासीफायर, [base_estimator_]
[x] गाऊसीअनरिज़ोनप्रोजेक्शन, [घटक_]
[x] GradientBoostingClassifier, [max_features_, n_classes_, n_features_, oob_improvement_]
[x] GradientBoostingRegressor, [max_features_, n_classes_, n_estimators_, n_features_, oob_improvement_]
[x] HistGradientBoostingClassifier, [bin_mapper_, classes_, do_early_stopping_, loss_, n_features_, scorer_]
[x] HistGradientBoostingRegressor, [bin_mapper_, do_early_stopping_, loss_, n_features_, scorer_]
[x] IncrementalPCA, [batch_size_]
[x] अलगाव, [आधार_estimator_, अनुमानक_सुविधाएँ, n_fitures]]
[x] IsotonicRegression, [X_max_, X_min_, f_]
[x] IterativeImputer, [random_state_]
[x] KNeighborsClassifier, [classes_, effective_metric_, प्रभावी_metric_params_, outputs_2d_]
[x] KNeighborsRegressor, [effective_metric_, प्रभावी_metric_params_]
[x] कर्नेलकेटर, [K_fit_all_, K_fit_rows_]
[x] कर्नेल घनत्व, [पेड़_]
[x] कर्नेलपका, [X_transformed_fit_, dual_coef_]
[x] लेबलबाइनराइज़र, [कक्षाएं_, विरल_पुष्प_, y_type_]
[x] लेबलइंकोडर, [वर्ग_]
[x] LarsCV, [सक्रिय_]
[x] लासो, [dual_gap_]
[x] LassoLarsCV, [active_]
[x] लास्लोअर्सिक, [alphas_]
]
[x] लिनियरडिस्क्रीमिनेंट एनलिसिस, [सहसंयोजक_]
[x] रेखीय प्रगति, [रैंक_, एकवचन_]
[x] रेखीयएसवीसी, [वर्ग_]
[x] LocalOutlierFactor, [प्रभावी_metric_, प्रभावी_metric_params_]
[x] एमडीएस, [असंतुष्टता_मित्र_, n_iter_]
[x] MLPClassifier, [best_loss_, loss_curve_, t_]
[x] MLPRegressor, [best_loss_, loss_curve_, t_]
[x] मिनमैक्सस्लेकर, [n_samples_seen_]
[x] मिनीबैचर्ड लर्निंग, [iter_offset_]
[x] MiniBatchKMeans, [counts_, init_size_, n_iter_]
[x] मल्टीलेबलबिनाइज़र, [वर्ग_]
[x] मल्टीटैस्कलाइनेटनेट, [dual_gap_, eps_, sparse_coef_]
[x] मल्टीटास्कलेनेटनेटसीवी, [दोहरे_गाप_]
]
[x] मल्टीटास्कलैसो सीवी, [dual_gap_]
[x] निकटतम संक्रांति, [वर्ग_]
[x] नियरेस्टेनिबर्स, [प्रभावी_मेट्रिक_, प्रभावी_मेट्रिक_परम_]
[x] नेबरहुडकम्पर्सअनलिसिस, [random_state_]
[x] NuSVC, [class_weight_, fit_status_, probA_, probB_, shape_fat_]
[] NuSVR, [class_weight_, fit_status_, n_support_, probA_, probB_, shape_fit_]
[x] OAS, [स्थान_]
[] OneClassSVM, [class_weight_, fit_status_, n_support_, probA_, probB_, shape_fit_]
[x] OneVsOneClassifier, [n_classes_]
[x] OneVsRestClassifier, [coef_, intercept_, n_classes_]
[x] ऑर्थोगोनलमैचिंग पर्पस, [n_nonzero_coefs_]
[] PLSCanonical, [coef_, x_mean_, x_std_, y_mean_, y_std_]
[x] PLSRegression, [x_mean_, x_std_, y_mean_, y_std_]
[] PLSSVD, [x_mean_, x_std_, y_mean_, y_std_]
[x] PassiveAggressiveClassifier, [loss_function_, t_]
[x] पैसिवएग्रेसिव रेगर, [t_]
[x] परसेप्ट्रॉन, [loss_function_]
[x] क्वाड्रेटिकडाइस्क्रीमिनेंट एनलिसिस, [वर्ग_, सहसंयोजक_]
[x] RBFSampler, [random_offset_, random_weights_]
[] RFE, [classes_]
[] RFECV, [वर्ग_]
[x] RadiusNeighborsClassifier, [classes_, effective_metric_, प्रभावी_metric_params_, outputs_2d_]
[x] रेडियस नेबर्सरेज़र, [प्रभावी_मेट्रिक_, प्रभावी_मेट्रिक_परम_]
[x] रैंडम फॉरेस्टक्लासीफायर, [oob_decision_function_, oob_score__]
[x] रैंडमफ़ॉर्स्ट रेगर, [oob_prediction_, oob_score_]
[x] रैंडम ट्रीसमेडिंग, [base_estimator_, feature_importances_, n_features_, n_outputs_, one_hot_encoder_]
[x] रिजकवि, [cv_values_]
[x] रिजक्लासीफायर, [वर्ग_]
[x] रिजक्लासीफायरसीवी, [cv_values_]
[x] SGDClassifier, [classes_, t_]
[x] SGDRegressor, [average_coef_, average_intercept_]
[x] SVC, [class_weight_, shape_fit_]
[] SVR, [class_weight_, fit_status_, n_support_, probA_, probB_, shape_fit_]
[x] SelectKBest, [pvalues_, score_]
[x] श्रुकोवेरियन, [सिकुड़न]
[x] SkewedChi2Sampler, [random_offset_, random_weights_]
[x] स्पार्सग्रैंड्रोमाइजेक्शन, [घटक_, घनत्व_]
[x] स्पेक्ट्रलएम्बेडिंग, [n_neighbors_]
[x] TfidfVectorizer, [stop_words_, शब्दावली_]

thomasjpfan 13 जुल॰ 2019

👍6

मैं tree सबमॉडल विशेषता प्रलेखन बेमेल ले सकता हूं, जिसमें शामिल हैं:

DecisionTreeRegressor, [classes_, n_classes_]
ExtraTreeClassifier, [classes_, max_features_, n_classes_, n_features_, n_outputs_, tree_]
ExtraTreeRegressor, [classes_, max_features_, n_classes_, n_features_, n_outputs_, tree_]

mepa 13 जुल॰ 2019

मैं LinearRegression, [rank_, singular_] पर काम कर रहा हूं।

wendyhhu 13 जुल॰ 2019

👍1

मैं LinearSVC, [n_iter_] और LinearSVR, [n_iter_] पर काम कर रहा हूं

wendyhhu 13 जुल॰ 2019

👍1

मैं Gradient boosting लूंगा

GradientBoostingClassifier [base_estimator_, max_features_, n_classes_, n_features_]
- GradientBoostingRegressor [base_estimator_, classes_, max_features_, n_estimators_, n_features_]

matsmaiwald 14 जुल॰ 2019

कोई बात नहीं, गलतफहमी जहां गायब हैं और जहां नहीं है

matsmaiwald 14 जुल॰ 2019

यह रहा है वहाँ भी तरह classes_ विशेषता का classifiers के लिए undocumented naive_bayes submodule। मैंने इसे ठीक करना शुरू कर दिया है।

alexitkes 14 जुल॰ 2019

मैं TfidfVectorizer, [फिक्स्ड_vocabulary_] पर काम करूंगा

mandalbiswadip 14 जुल॰ 2019

मैं इस पर काम करूंगा:

RandomForestClassifier, [base_estimator_]
RandomForestRegressor, [base_estimator_, n_classes_]
ExtraTreesClassifier, [base_estimator_]
एक्स्ट्राट्रीस रेगर, [base_estimator_, n_classes_]

rcwoolston 14 जुल॰ 2019

मैं इस पर काम कर रहा हूं:

SGDClassifier, [average_coef_, average_intercept_, standard_coef_, standard_intercept_]
SGDRegressor, [standard_coef_, standard_intercept_]

EDIT: इन विशेषताओं को सार्वजनिक से निजी में बदलने के लिए एक मुद्दा खोला (संदर्भ: # 14364)

wendyhhu 14 जुल॰ 2019

मैं इस पर काम कर रहा हूं:
कर्नेलसेंटर, [K_fit_all_, K_fit_rows_]
MinMaxScaler, [n_samples_seen_]

SwordKnight6216 14 जुल॰ 2019

मैं इस पर काम करूंगा:

RandomTreesEmbedding, [base_estimator_, classes_, feature_importances_, n_classes_, n_features_, n_outputs_, one_hot_encoder_]

rcwoolston 14 जुल॰ 2019

मैंने KNeighborsClassifier , KNeighborsRegressor और संभवतः neighbors मॉड्यूल के अन्य वर्गों में कोई विशेषता प्रलेखन नहीं है। वर्तमान में KNeighborsRegressor पर काम कर रहे हैं जिसमें 2 विशेषताएँ हैं:

effective_metric_
effective_metric_params_

KNeighborsClassifier वर्ग की चार विशेषताएं हैं:

classes_
effective_metric_
effective_metric_params_
outputs_2d_

alexitkes 14 जुल॰ 2019

@alexitkes अच्छा कैच। धन्यवाद!

amueller 14 जुल॰ 2019

QuadraticDiscriminantAnalysis पर काम करना, [classes_, covariance_]

abhishek-jana 15 जुल॰ 2019

KNeighborsClassifier, [classes_, effective_metric_, प्रभावी_metric_params_, outputs_2d_] पर काम करना
RadiusNeighborsClassifier, [classes_, effective_metric_, प्रभावी_metric_params_, outputs_2d_]

abhishek-jana 15 जुल॰ 2019

काम पर:
LinearSVC, [वर्ग_]
NuSVC, [class_weight_, classes_, fit_status_, probA_, probB_, shape_fat_]
SVC, [class_weight_, classes_, shape_fit_]

kwinata 20 जुल॰ 2019

काम पर:

[] BaggingClassifier, [n_features_, oob_decision_function_, oob_score_]
[] BaggingRegressor, [base_estimator_, n_features_, oob_prediction_, oob_score_]
[] AdaBoostClassifier, [base_estimator_]
[] AdaBoostRegressor, [base_estimator_]

mdomarsaleem 25 जुल॰ 2019

काम पर:

CountVectorizer, [stop_words_, शब्दावली_]
डिक्ट्वेक्टराइज़र, [feature_names_, शब्दावली_]

pvsagar 25 जुल॰ 2019

Hii !! मैं इस एक के साथ मदद करना चाहता हूं .. क्या कोई मुझे बता सकता है कि मुझे कहां शुरू करना चाहिए ??

ManishAradwad 5 अग॰ 2019

हम dict_learning.py @ चिपकने में कार्यों पर काम कर रहे हैं

hannahbrucemacdonald 24 अग॰ 2019

@ Olgadk7 के साथ LinearDiscriminantAnalysis पर काम करना

m-clare 24 अग॰ 2019

RidgeClassifierCV @ npatta01 में अट्रैक्शन मिसमैच पर काम करना

ingrid88 24 अग॰ 2019

@ Ingrid88 + @ npatta01 के साथ DecisionTreeRegressor पर काम करना

meiguan 24 अग॰ 2019

@ Olgadk7 के साथ LinearDiscriminantAnalysis पर काम करना

ऊपर विशेषता स्क्रिप्ट के लिए गलत सकारात्मक। यह प्रलेखित किया गया है।

m-clare 24 अग॰ 2019

@ Olgadk7 के साथ AdditiveChi2Sampler पर काम करना

m-clare 24 अग॰ 2019

@Eugeniaft के साथ LabelEncoder पर काम करना

FranciDona 24 अग॰ 2019

यादृच्छिक पर काम करने की कोशिश करेंगे!

joyharjanto 24 अग॰ 2019

काम पर

perceptron

joanaz 24 अग॰ 2019

बर्नौलीआरबीएम पर काम कर रहा है

npatta01 24 अग॰ 2019

ExtraTreeClassifer पर काम कर रहे हैं

she-dares 24 अग॰ 2019

@Eugeniaft के साथ LabelEncoder पर काम करना

LabelEncoder लगता है कि यह कोई बेमेल नहीं है, हम OneClassSVM पर काम कर रहे हैं

FranciDona 24 अग॰ 2019

मुझे लगता है कि पेड़ के रजिस्टरों को इसके बजाय अपनी कक्षाओं को हटाना चाहिए।

amueller 24 अग॰ 2019

SVR पर काम कर रहा है

ingrid88 24 अग॰ 2019

काम पर:

OneVsOneClassifier, [n_classes_]
OneVsRestClassifier, [coef_, intercept_, n_classes_]

YuliaZamriy 24 अग॰ 2019

रेखीय प्रगति पर काम कर रहा है, [रैंक_, एकवचन_]

arzoobh 24 अग॰ 2019

LatentDirichletAllocation पर काम कर रहा है, [बाउंड_, doc_topic_prior_, exp_dirichlet_component_, random_state_, topic_word_prior_]

YuliaZamriy 24 अग॰ 2019

काम पर
BaggingClassifier, [n_features_, oob_decision_function_, oob_score]
BaggingRegressor, [base_estimator_, n_features_, oob_prediction_, oob_score_]

joanaz 24 अग॰ 2019

BaggingClassifier, [n_features_, oob_decision_function_, oob_score]
BaggingRegressor, [base_estimator_, n_features_, oob_prediction_, oob_score_]
oob_ विशेषताएँ PR # 14779 में पता हैं, n_features_ & base_estimator_ झूठी सकारात्मक हैं।

joanaz 24 अग॰ 2019

काम पर
AdaBoostClassifier, [base_estimator_]

अपडेट: पहले से ही https://github.com/scikit-learn/scikit-learn/pull/14477 में तय किया गया था

nitya 24 अग॰ 2019

मुझे लगता है कि हमें अगले स्प्रिंट के लिए इस मुद्दे की सिफारिश नहीं करनी चाहिए, या बहुत अधिक क्यूरेटेड संस्करण का उपयोग करना चाहिए।

पिछले स्प्रिंट पर मेरे अनुभव के आधार पर, अभी भी बहुत सारे झूठे सकारात्मक हैं, और हम अंत में योगदानकर्ताओं से पूछते हैं कि वास्तव में उन्हें सार्वजनिक करने के लिए सार्वजनिक विशेषताओं को चित्रित किया जाए, जो यकीनन बहुत कठिन है (और निराशा हो सकती है क्योंकि योगदानकर्ताओं ने काम किया है। कुछ भी तो नहीं)।

पिंग @amueller @thomasjpfan WDYT?

NicolasHug 3 सित॰ 2019

मुझे लगता है कि हमें अगले स्प्रिंट के लिए इस मुद्दे की सिफारिश नहीं करनी चाहिए, या बहुत अधिक क्यूरेटेड संस्करण का उपयोग करना चाहिए।

हो सकता है कि अगर हमारे पास dgstring के लिए एक सामान्य सत्यापन उपकरण है जैसे कि https://github.com/numpy/numpydoc/issues/213 में प्रस्तावित करना योगदानकर्ताओं के लिए थोड़ा आसान होगा। हालांकि मैं मानता हूं कि यह इस तथ्य को पूरी तरह से संबोधित नहीं करता है कि कुछ विशेषताएँ सार्वजनिक हैं जबकि उन्हें नहीं होना चाहिए।

rth 7 अक्तू॰ 2019

TfidfVectorizer, SpectralEmbedding, SparseRandomProjection अपडेट किए जाते हैं।

zioalex 12 अक्तू॰ 2019

मैं अपने पहले एक के रूप में उस मुद्दे को लेने के बारे में सोच रहा था, लेकिन स्क्रिप्ट द्वारा सूचीबद्ध सबमोडुल्स के कुछ यादृच्छिक पिकिंग के बाद, मुझे केवल गैर-सही दस्तावेज के रूप में मिली कक्षाएं PLS * कक्षाएं हैं। लेकिन वे _pls_.py फ़ाइल में रहते हैं, जो गैर-सार्वजनिक लगती है। क्या मुझे उन पर काम करना चाहिए या एक और अच्छा पहला मुद्दा खोजना चाहिए?

panpiort8 24 अक्तू॰ 2019

जब तक वास्तविक वर्ग सार्वजनिक होते हैं, वे योग्य होते हैं। सार्वजनिक वर्गों को doc/modules/classes.rst में सूचीबद्ध किया गया है। पीएलएस * कक्षाएं वहां हैं ताकि उन्हें दस्तावेज़ करने के लिए स्वतंत्र महसूस हो

NicolasHug 24 अक्तू॰ 2019

क्या यह सभी विशेषताओं के रूप में अच्छी तरह से वर्णमाला के लिए समझ में आता है? मुझे लगता है कि यह अनुभाग को संरचना प्रदान करेगा और अनुभाग को पढ़ना आसान बना देगा।

pwalchessen 2 नव॰ 2019

👍1

@pwalchessen मैं सहमत हूँ, एक अच्छे विचार की तरह लगता है। जैसा कि व्यक्ति में उल्लेख किया गया है, मैं इसे परीक्षण में भी जोड़ूंगा।

amueller 2 नव॰ 2019

ये अभी भी खुले और थोड़े स्पष्ट प्रतीत होते हैं:

Docstring Error: Attribute mismatch in RidgeCV
cv_values_
Docstring Error: Attribute mismatch in RidgeClassifier
classes_
Docstring Error: Attribute mismatch in RidgeClassifierCV
classes_
cv_values_
Docstring Error: Attribute mismatch in SkewedChi2Sampler
random_offset_
random_weights_
Docstring Error: Attribute mismatch in PLSCanonical
coef_
x_mean_
x_std_
y_mean_
y_std_
Docstring Error: Attribute mismatch in PLSRegression
x_mean_
x_std_
y_mean_
y_std_
Docstring Error: Attribute mismatch in PLSSVD
x_mean_
x_std_
y_mean_
y_std_
Docstring Error: Attribute mismatch in PassiveAggressiveClassifier
loss_function_
Docstring Error: Attribute mismatch in Perceptron
loss_function_
Docstring Error: Attribute mismatch in PolynomialFeatures
powers_
Docstring Error: Attribute mismatch in QuadraticDiscriminantAnalysis
covariance_
Docstring Error: Attribute mismatch in RBFSampler
random_offset_
random_weights_
Docstring Error: Attribute mismatch in RadiusNeighborsClassifier
n_samples_fit_
outlier_label_
Docstring Error: Attribute mismatch in RadiusNeighborsRegressor
n_samples_fit_
Docstring Error: Attribute mismatch in RadiusNeighborsTransformer
effective_metric_
effective_metric_params_
n_samples_fit_
Docstring Error: Attribute mismatch in ElasticNet
dual_gap_
sparse_coef_
Docstring Error: Attribute mismatch in ElasticNetCV
dual_gap_
Docstring Error: Attribute mismatch in EllipticEnvelope
dist_
raw_covariance_
raw_location_
raw_support_

और एक गुच्छा अधिक ...

amueller 2 नव॰ 2019

बकाया विशेषताओं की अद्यतन सूची जिसे जोड़ने की आवश्यकता है।

[] बायेसियनगौसियन मिक्सचर
- [x] माध्य_प्रदर्शन_प्यार
- [] माध्य_परिचय_प्यार_
[] बायेसियनरिज
- [] X_offset_
- [] X_scale_
[] बर्नौलीएनबी
- [] coef_ सरणी
- [] इंटरसेप्ट_
[] बर्च
- [] फिट_
- [] आंशिक_फिट_
[] सी.सी.ए.
- [] coef_ सरणी, आकृति (1, n_features) या (n_classes, n_features); निर्णय समारोह में सुविधाओं का गुणांक।
- [] x_mean_: सरणी, आकार (n_features,) सुविधाओं पर माध्य।
- [] x_std_
- [] y_mean_
- [] y_std_
[x] श्रेणीबद्ध N
- [x] classes_ (classes_: array, shape (n_classes,)
  
  क्लास लेबल की एक सूची जो क्लासिफायरियर के लिए जानी जाती है।
[] पूरक
- [] coef_: सरणी, आकृति (1, n_features) या (n_classes, n_features); निर्णय समारोह में सुविधाओं का गुणांक।
- [] इंटरसेप्ट_
[x] काउंटवेक्टर
- [x] stop_words_
- [x] शब्दावली_
[x] डिसिजनट्रीक्लासीफायर
- [x] feature_importances_
[] निर्णय निर्णयकर्ता
- [] classes_: array-like, shape (n_classes,); अद्वितीय वर्ग लेबल
- [] n_classes_: int; अद्वितीय वर्ग लेबल की संख्या
- [x] feature_importances_
[] DictVectorizer
- [] feature_names_
- [] शब्दावली_
[] डमीक्लासीफायर
- [] output_2d_
[] डमीरीग्रेडर
- [] output_2d_
[] इलास्टिकनेट
- [] दोहरे_गाप_
- [] स्पार्स_कोफ_
[] ElasticNetCV
- [] दोहरे_गाप_
[] एलिप्टिक्यनवेल्डे
- [] जिला_
- [] raw_covariance_
- [] raw_location_
- [] raw_support_
[] एक्सट्राट्रीक्लासीफायर
- [] feature_importances_
[] एक्सट्राट्री-रेगुलेटर
- [] classes_: array-like, shape (n_classes,); अद्वितीय वर्ग लेबल
- [] feature_importances_
- [] n_classes_: int; अद्वितीय वर्ग लेबल की संख्या
[] फ़ीचरएग्लोमरेशन
- [] n_compenders_
- [x] दूरियाँ_
[] गौसियनप्रोसेसक्लासीफायर
- [] base_estimator_
- [x] कर्नेल_
[x] गॉसियनरैंड्रोमप्रो प्रोग्रेस
- [एक्स] घटकों_
[] GradientBoostingClassifier
- [] max_features_
- [] n_classes_: int; अद्वितीय कक्षाओं की संख्या।
- [] n_features_: int; उपयोग की जाने वाली सुविधाओं की संख्या।
- [x] oob_improvement_
- [x] feature_importances_
[] GradientBoostingRegressor
- [] max_features_
- [] n_classes_: int; अद्वितीय कक्षाओं की संख्या।
- [] n_estimators_
- [] n_features_: int; उपयोग की जाने वाली सुविधाओं की संख्या।
- [x] oob_improvement_
- [x] feature_importances_
[] HistGradientBoostingClassifier
- [] बिन_मैपर_
- [] कक्षाएं_
- [] do_early_stopping_
- [ ] हानि_
- [] n_features_: int; चयनित सुविधाओं की संख्या।
- [x] n_iter_
- [] स्कोरर_
[] HistGradientBoostingRegressor
- [] बिन_मैपर_
- [] do_early_stopping_
- [ ] हानि_
- [] n_features_: int; चयनित सुविधाओं की संख्या।
- []
- [] स्कोरर_
[] इंक्रीमेंटलपीसीए
- [ ] बैच का आकार_
[] अलगाव
- [] base_estimator_
- [] अनुमानक_सुविधाएँ
- [x] अनुमानक_समेत_
- [] n_features_: int; चयनित सुविधाओं की संख्या।
[] कर्नेलकेटर
- [] K_fit_all_
- [] K_fit_rows_
[] कर्नेलडेंसिटी
- [] पेड़_
[] LarsCV
- [] सक्रिय_
[] लासो
- [] दोहरे_गाप_
- [x] स्पार्स_कोफ_
[] LassoLarsCV
- [] सक्रिय_
[] लास्लोआर्सिक
- [] अक्षर_
[] लेटेंटडिरिचलेटआलोकाशन
- [एक्स] बाध्य_
- [x] doc_topic_prior_
- [] exp_dirichlet_component_
- [] random_state_
[] LocalOutlierFactor
- [] प्रभावी_मेट्रिक_
- [] effective_metric_params_
- [] n_samples_fit_: int; सज्जित डेटा में नमूनों की संख्या।
[] एमडीएस
- [] असहमति_मित्र_
- [] n_iter_: int; पुनरावृत्तियों की संख्या।
[] MLPClassifier
- [] best_loss_
- [] loss_curve_
- [] t_
[] MLPRegressor
- [] best_loss_
- [] loss_curve_
- [] t_
[] मिनीबैचकिंस
- [] मायने रखता है_
- [] init_size_
- [] n_iter_: int; पुनरावृत्तियों की संख्या।
[] मल्टीटास्क इलास्टिकनेट
- [] दोहरे_गाप_
- [] ईपीएस_
- [] स्पार्स_कोफ_
[] मल्टीटास्कलेस्टेनेटनेट सीवी
- [] दोहरे_गाप_
[] मल्टीटास्कलैसो
- [] दोहरे_गाप_
- [] ईपीएस_
- [] स्पार्स_कोफ_
[] मल्टीटास्कलासोकेवी
- [] दोहरे_गाप_
[] OAS
- [ ] स्थान_
[] OneVsRestClassifier
- [] coef_: सरणी, आकृति (1, n_features) या (n_classes, n_features); निर्णय समारोह में सुविधाओं का गुणांक।
- [] इंटरसेप्ट_
- [] n_classes_: int; अद्वितीय कक्षाओं की संख्या।
[] ऑर्थोगोनल मॉचिंगपर्सूट
- [] n_nonzero_coefs_
[] PLSCanonical
- [] coef_: सरणी, आकृति (1, n_features) या (n_classes, n_features); निर्णय समारोह में सुविधाओं का गुणांक।
- [] x_mean_: फ्लोट ???; का मतलब
- [] x_std_
- [] y_mean_
- [] y_std_
[] PLSRegression
- [] x_mean_
- [] x_std_
- [] y_mean_
- [] y_std_
[] PLSSVD
- [] x_mean_
- [] x_std_
- [] y_mean_
- [] y_std_
[] PassiveAggressiveClassifier
- [ ] लॉस फंकशन_
[] RBFSampler
- [] random_offset_
- [] random_weights_
[] श्रुकोवेरियन
- [] संकोचन
[] SkewedChi2Sampler
- [] random_offset_
- [] random_weights_
[] _BaseRidgeCV
- [] अल्फा_
- [] coef_
- [] इंटरसेप्ट_
[] _ConstantPredictor
- [] y_
[] _RidgeGCV
- [] अल्फा_
- [] coef_
- [] dual_coef_
- [] इंटरसेप्ट_

jigna-panchal 3 नव॰ 2019

मैं जोड़ने जा रहा हूँ feature_importances_ के लिए प्रलेखन के लिए ExtraTreeRegressor

marielledado 25 जन॰ 2020

डेटा विज्ञान की बड़ी कंपनियों का एक समूह और मैं बायेसियनरिज, [X_offset_, X_scale_] विशेषता प्रलेखन पर काम करना शुरू करूंगा।

juliapiscioniere 28 जन॰ 2020

नमस्ते, योगदानकर्ताओं का हमारा समूह इस पर काम करेगा:

PLSSVD
सीसीए
वृद्धिशील पीसीए
MiniBatchKMeans
कमंद

phork37 20 फ़र॰ 2020

# 16826 में संभावित सुधार

BenjaminLiuPenrose 2 अप्रैल 2020

परीक्षण # 16286 में जोड़ा गया था।
अभी भी कुछ वर्गों को छोड़ दिया गया है:
https://github.com/scikit-learn/scikit-learn/blob/753da1de06a764f264c3f5f4817c9190dbe5e021/sklearn/tests/test_docstring_parameters.py#L180

इनमें से कुछ के पास पहले से ही पीआर हैं, इसलिए यह सुनिश्चित करना सुनिश्चित करें कि उस पर काम करना शुरू करने से पहले।

amueller 29 मई 2020

इनमें से कुछ के पास पहले से ही पीआर हैं, इसलिए यह सुनिश्चित करना सुनिश्चित करें कि उस पर काम करना शुरू करने से पहले।

एक अच्छा विकल्प यह भी होगा कि आप खुले PRs को देखने का प्रयास करें जिन्हें विलय नहीं किया गया है और उन्हें समाप्त करने का प्रयास करें।

अंगूठे के एक नियम के रूप में, यदि किसी पीआर को 2-3 सप्ताह से अधिक समय तक कुछ गतिविधि नहीं मिली है, तो इसे लेने और इसे खत्म करने की कोशिश करना ठीक है।

lesteve 23 जून 2020

यदि आपका समाधान इस तरह के समाधान में रुचि रखता है, तो स्फिंक्स के लिए एक एक्सटेंशन को लागू करने का एक तरीका है जो यह जांचता है कि पैरामीटर सभी दस्तावेज हैं या गलत नहीं हैं (आप यहां एक उदाहरण देख सकते हैं: https://github.com/sdpython/pyquickerper/blob /master/src/pyquickhelper/sphinxext/sphinx_docassert_extension.py)। शायद यह एक कस्टम जोड़ने के लिए उपयोगी हो सकता है scikit-learn प्रलेखन।

sdpython 23 जून 2020

🎉1

@sdpython , यह अद्भुत होगा! यदि आप किसी और चीज पर काम नहीं कर रहे हैं, तो शायद आप एक मसौदा पीआर का प्रस्ताव कर सकते हैं? धन्यवाद!

cmarmo 23 जून 2020

दिलचस्प!

IIRC हमारे पास एक सामान्य परीक्षण है जो यह जांचता है कि सभी विशेषताओं को प्रलेखित किया गया है। इसे https://github.com/scikit-learn/scikit-learn/pull/16286 में जोड़ा गया था

मेरे पास एक सूचित राय नहीं है कि कौन सा दृष्टिकोण बेहतर है लेकिन मैं कहूंगा कि लापता मापदंडों का दस्तावेजीकरण करना शायद यह तय करने की तुलना में अधिक प्राथमिकता है कि हम कैसे चेकिंग करना चाहते हैं।

lesteve 23 जून 2020

मुद्दा यह है कि स्फिंक्स में ऐसा करने से हमारे दस्तावेज के निर्माण में एक लंबा समय लगता है (सभी उदाहरण उत्पन्न करने के कारण) इसलिए एक इकाई परीक्षण या स्टैंडअलोन उपकरण का उपयोग करना आसान होगा। ध्यान दें कि हमने पहले https://github.com/scikit-learn/scikit-learn/issues/15440 में numpydoc सत्यापन का उपयोग किया है और प्रकार एनोटेशन के साथ docstring के कुछ सत्यापन https://github.com/terrencepreilly पर किए जा सकते हैं / darglint। तो हम शायद docstrings के लिए 5 अलग सत्यापन उपकरण का उपयोग करने की स्थिति से बचना चाहिए :)

rth 23 जून 2020

मुझे उदाहरण के लिए, परिणामों की जांच करने के लिए पाइस्टेस्ट का उपयोग करने की क्षमता पसंद है:

pytest -v  --runxfail -k IsolationForest sklearn/tests/test_docstring_parameters.py

तो शायद इसके लिए हमारे स्फिंक्स बिल्ड को बदलना आवश्यक नहीं है।

ogrisel 23 जून 2020

मैंने जाँच की कि कौन से गुणधर्म अभी भी गायब हैं (ऊपर दी गई सूची पुरानी है)। ये वही हैं जिन्हें मैंने पाया:

बायेसियनगौसियन मिक्सचर, [माध्य_परिवर्तन_पायर]
बायेसियनरिज, [X_offset_, X_scale_]
बर्नोलीएनबी, [coef_, intercept_]
बिर्च, [fit_, आंशिक_फिट_]
CCA, [x_mean_, x_std_, y_mean_, y_std_]
DecisionTreeRegressor, [classes_, n_classes_]
DummyClassifier, [output_2d_]
DummyRegressor, [output_2d_]
इलास्टिकनेट, [dual_gap_]
ElasticNetCV, [dual_gap_]
ExtraTreeRegressor, [classes_, n_classes_]
FeatureAgglomeration, [n_compents_]
LarsCV, [सक्रिय_]
लासो, [दोहरे_गाप_]
LassoLarsCV, [सक्रिय_]
LassoLarsIC, [alphas_]
MiniBatchKMeans, [counts_, init_size_, n_iter_]
MultiTaskElasticNet, [dual_gap_, eps_, sparse_coef_]
MultiTaskElasticNetCV, [dual_gap_]
MultiTaskLasso, [dual_gap_, eps_, sparse_coef_]
MultiTaskLassoCV, [dual_gap_]
NuSVR, [probA_, probB_]
OneClassSVM, [probA_, probB_]
OneVsRestClassifier, [coef_, intercept_]
ऑर्थोगोनलमैचिंगपर्सिट, [n_nonzero_coefs_]
PLSCanonical, [x_mean_, x_std_, y_mean_, y_std_]
PLSSVD, [x_mean_, x_std_, y_mean_, y_std_]
SVR, [probA_, probB_]

marenwestermann 26 जून 2020

धन्यवाद @marenwestermann!

cmarmo 26 जून 2020

मैं MiniBatchKMeans पर काम कर रहा हूं

jeremiedbb 8 जुल॰ 2020

मैं लासो पर काम कर रहा हूं।

marenwestermann 10 जुल॰ 2020

अब मैं MultiTaskElasticNet और MultiTaskLasso में sparse_coef_ विशेषता जोड़ने पर काम कर रहा हूँ।

marenwestermann 10 जुल॰ 2020

मैं LarsCV पर काम कर रहा हूं।

marenwestermann 10 जुल॰ 2020

@thomasjpfan को कक्षाओं में SVR और OneClassSVM :
"ProbA_ विशेषता को संस्करण 0.23 में पदावनत किया गया है और 0.25 संस्करण में हटा दिया जाएगा।" तथा
"ProbB_ विशेषता 0.23 संस्करण में पदावनत है और 0.25 संस्करण में हटा दी जाएगी।"

इसलिए, इन विशेषताओं को शायद अब प्रलेखन की आवश्यकता नहीं है, है ना?
यहाँ से जाने पर क्या ये दोनों विशेषताएँ NuSVR वर्ग में भी चित्रित की जाएंगी?

marenwestermann 7 अग॰ 2020

ExtraTreeRegressor के लिए classes_ और n_classes_ विशेषताएं झूठी सकारात्मक हैं।

marenwestermann 11 सित॰ 2020

इसलिए, इन विशेषताओं को शायद अब प्रलेखन की आवश्यकता नहीं है, है ना?
यहाँ से जाने पर, क्या इन दोनों विशेषताओं को भी कक्षा NuSVR में पदावनत किया जाएगा?

चूंकि हम उन्हें पदावनत कर रहे हैं इसलिए मैं कहूंगा कि हमें उनके दस्तावेज की आवश्यकता नहीं होगी।

ExtraTreeRegressor के लिए विशेषताएँ classes_ और n_classes_ झूठी सकारात्मक हैं।

हाँ, अगर वे पहले से ही नहीं हैं तो हटा दिया जाना चाहिए।

thomasjpfan 11 सित॰ 2020

DecisionTreeRegressor वर्ग कहता है:
"n_classes_ विशेषता को 0.22 संस्करण से निकाला जाना है और 0.24 में हटा दिया जाएगा।"
"कक्षाएं_ विशेषता को संस्करण 0.22 से हटा दिया जाना है और 0.24 में हटा दिया जाएगा।"

तो इन विशेषताओं को भी सही दस्तावेज की आवश्यकता नहीं है?

Abilityguy 16 सित॰ 2020

तो इन विशेषताओं को भी सही दस्तावेज की आवश्यकता नहीं है?

सही @Abilityguy , यह इंगित करने के लिए धन्यवाद।

cmarmo 16 सित॰ 2020

मैं नीचे देख सकता हूँ बेमेल _RidgeGCV में:
Docstring त्रुटि: _RidgeGCV में बेमेल की विशेषता
alpha_
सर्वश्रेष्ठ अंक_
coef_
dual_coef_
intercept_
n_features_in_

और _BaseRidgeCV में:
Docstring त्रुटि: _BaseRidgeCV में बेमेल विशेषता को शामिल करें
alpha_
सर्वश्रेष्ठ अंक_
coef_
intercept_
n_features_in_

क्या मैं इसे उठा सकता हूँ? मैं पहले टाइमर हूं और योगदान देना चाहता हूं।

mynkdsi1011 24 सित॰ 2020

@marenwestermann वर्ग FeatureAgglomeration में, यह कहा जाता है कि, संस्करण 0.21 में, n_connected_components_ n_components_ को बदलने के लिए जोड़ा गया है, तो n_components_ झूठी सकारात्मक सही होगा ..?

srivathsa729 26 सित॰ 2020

@ srivathsa729 मेरी समझ से हाँ। हालांकि, यह अच्छा होगा यदि कोई कोर डेवलपर्स में से कोई भी दो बार चेक कर सकता है।

marenwestermann 29 सित॰ 2020

मैं इलास्टिकनेट उठाऊंगा

disha4u 5 अक्तू॰ 2020

BayesianRidge के लिए X_offset_ और X_scale_ की विशेषताओं का दस्तावेज़ीकरण # 18607 के साथ जोड़ा गया है।

marenwestermann 4 नव॰ 2020

👍1

विशेषता output_2d_ को DummyClassifier और DummyRegressor (# 14933 देखें) में चित्रित किया गया है।

marenwestermann 5 नव॰ 2020

मैंने इस PR के शीर्ष पर @amueller द्वारा प्रदान की गई स्क्रिप्ट को चलाया (कोड को थोड़ा संशोधित किया जाना चाहिए क्योंकि चीजें चारों ओर चली गई हैं)। मुझे कोई और विशेषता नहीं मिली जिसे n_features_in_ के अपवाद के साथ प्रलेखित किया जाना चाहिए, जिसे मैं # 16112 में पेश किया गया हूं। मुझे लगता है कि सभी वर्गों के लिए इसे पेश किया गया था। क्या इसे प्रलेखित किया जाना चाहिए?
पिंग @NicolasHug

marenwestermann 9 नव॰ 2020

क्या यह पृष्ठ उपयोगी था?

0 / 5 - 0 रेटिंग्स

Scikit-learn: सुनिश्चित करें कि सभी विशेषताएँ प्रलेखित हैं

सबसे उपयोगी टिप्पणी

प्रत्येक अनुमानक के लिए गुम विशेषता डॉकस्ट्रिंग्स

इस मुद्दे को अपने पीआर में देखें

सभी 79 टिप्पणियाँ

प्रत्येक अनुमानक के लिए गुम विशेषता डॉकस्ट्रिंग्स

इस मुद्दे को अपने पीआर में देखें

संबंधित मुद्दों