मुझे लगता है कि आपका मतलब प्रत्येक अनुमानक का उपयोग करके एक छोटा कोड स्निपेट/सिद्धांत है।

यह एक कारण है कि मैंने स्वचालित लिंक को प्रासंगिक में वापस जोड़ा है
संकलित एपीआई संदर्भ दिखाते समय गैलरी से उदाहरण, जैसे
http://scikit-learn.org/dev/modules/generated/sklearn.manifold.Isomap.html#examples -using-sklearn-manifold-isomap।
दुर्भाग्य से, इन्हें प्रस्तुत करने का कोई सीधा तरीका नहीं था जहाँ
सबसे अच्छे उदाहरण करते हैं (और इसलिए उन्हें अंत तक हटा दिया गया था
पृष्ठ जो numpydoc पीढ़ी से बाहर है)।

12 नवंबर 2014 23:06 को, मनोज कुमार ने नोटिफिकेशन @github.com लिखा:

कक्षाओं के अधिकांश दस्तावेज़ों में उदाहरणों की कमी है। एक जोड़ना बहुत अच्छा होगा
या इससे मिलते-जुलते दो उदाहरण,
http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Lasso.html

-
इस ईमेल का सीधे उत्तर दें या इसे GitHub पर देखें
https://github.com/scikit-learn/scikit-learn/issues/3846।

हां, मेरा मतलब था शायद एक या दो लाइनर (उदाहरण के लिए) https://github.com/scikit-learn/scikit-learn/pull/3802/files#diff -1741ad6b05f1eb0fd71af8bad0e001c7R321 सिर्फ एपीआई दिखाने के लिए।

संकलित एपीआई संदर्भ दिखाते समय मैंने गैलरी से प्रासंगिक उदाहरणों में स्वचालित लिंक वापस जोड़ने के कारणों में से एक है

यह कमाल का है। मैंने इसे पहले नोटिस नहीं किया था!

यह कमाल का है। मैंने इसे पहले नोटिस नहीं किया था!

केवल देव में। और पृष्ठ के निचले भाग में छिपा हुआ :(

आपको और कहाँ लगता है कि यह बेहतर होगा?

वर्ग विवरण के नीचे और मापदंडों के ऊपर?

विधि विवरण से पहले कहीं भी ठीक होगा। विधि विवरण API संदर्भ पृष्ठ पर बहुत अधिक लंबवत स्थान ले सकते हैं, इसलिए किसी के द्वारा उदाहरणों की तलाश में उनके पीछे स्क्रॉल करने की संभावना नहीं है।

देर से उत्तर के लिए क्षमा करें। मुझे लगता है कि यह करना बहुत आसान नहीं है? नहीं तो आपने खुद किया होता?

नहीं, यह वर्तमान दृष्टिकोण से भी अधिक हैकर है!

19 नवंबर 2014 21:59 को, मनोज कुमार ने नोटिफिकेशन @github.com लिखा:

देर से उत्तर के लिए क्षमा करें। मुझे लगता है कि यह करना बहुत आसान नहीं है? अन्यथा
आपने इसे स्वयं किया होगा?

-
इस ईमेल का सीधे उत्तर दें या इसे GitHub पर देखें
https://github.com/scikit-learn/scikit-learn/issues/3846#issuecomment -63623385
.

लापता वर्गों के डॉकस्ट्रिंग में उदाहरण जोड़ने के बारे में कैसे?

ये अनुमानक हैं ( 98 - 10 / 148 ) वर्तमान में एक Examples खंड गायब है: -

हो गया/डबल्यूआईपी

ExtraTreesRegressor
BaggingClassifier
BaggingRegressor

4498 -

AdaBoostRegressor

GradientBoostingRegressor

जरूरत नहीं

ExtraTreeClassifier  # Used only in ensembling
ExtraTreeRegressor # -do-

करने के लिए

AffinityPropagation
AgglomerativeClustering
Binarizer
CheckingClassifier
CountVectorizer
DBSCAN
DPGMM
DictionaryLearning
ElasticNet
ElasticNetCV
EmpiricalCovariance
FactorAnalysis
FastICA
FeatureAgglomeration
GaussianRandomProjection
GenericUnivariateSelect
GraphLasso
GraphLassoCV
HashingVectorizer
Imputer
IncrementalPCA
Isomap
KMeans
KernelCenterer
KernelDensity
KernelPCA
LarsCV
LassoCV
LassoLarsCV
LedoitWolf
LinearRegression
LinearSVC
LinearSVR
LocallyLinearEmbedding
LogOddsEstimator
LogisticRegression
LogisticRegressionCV
MDS
MeanEstimator
MeanShift
MinCovDet
MinMaxScaler
MiniBatchDictionaryLearning
MiniBatchKMeans
MiniBatchSparsePCA
MultiTaskLassoCV
Normalizer
Nystroem
OAS
OneClassSVM
OrthogonalMatchingPursuit
OrthogonalMatchingPursuitCV
PLSSVD
PassiveAggressiveClassifier
PassiveAggressiveRegressor
PatchExtractor
Perceptron
PriorProbabilityEstimator
QuantileEstimator
RANSACRegressor
RBFSampler
RandomForestClassifier
RandomForestRegressor
RidgeCV
RidgeClassifier
RidgeClassifierCV
ScaledLogOddsEstimator
SelectFdr
SelectFpr
SelectFwe
SelectKBest
SelectPercentile
ShrunkCovariance
SkewedChi2Sampler
SparsePCA
SparseRandomProjection
SpectralBiclustering
SpectralClustering
SpectralCoclustering
SpectralEmbedding
StandardScaler
TfidfVectorizer
TheilSenRegressor
VBGMM
Ward
WardAgglomeration
ZeroEstimator

बेशक, लेकिन क्या आपको नहीं लगता कि यह थोड़ा थकाऊ पक्ष है? जब तक आपके पास कोई स्क्रिप्ट न हो।

मैं इन सभी अनुमानकों के बारे में कुछ सीखना चाहता था... मुझे लगता है कि ऐसा करने का यह एक अच्छा तरीका होगा :) क्या मैं इस पर काम करना शुरू कर दूं?

ज़रूर!

मैं इस पर काम कर रहा हूं।

@ltcguthrie कौन सा हिस्सा? इसके लिए कई मॉडल पर काम करना है।

मैं TfidfVectorizer से शुरुआत करूंगा।

RandomForestClassifier और RandomForestRegressor पर कार्य करना

PassiveAggressiveClassifier, PassiveAggressiveRegressor पर काम करना

LinearSVC, LinearSVR पर कार्य करना

StandardScaler, MinMaxScaler पर कार्य करना

ElasticNet, ElasticNetCV पर कार्य करना

साथ ही, पूर्ण/पूर्ववत वस्तुओं की सूची के लिए google doc बनाया

https://docs.google.com/spreadsheets/d/19D-RQocsLk4BM7-Xax8hVvIu3XDgwYSUnvja4cMrJww/edit#gid =0

@lodurality आप यहां चेकबॉक्स के साथ एक सूची भी बना सकते हैं

• [ ] पसंद
• [ ] यह

मैं इसे 0.21 के रूप में चिह्नित करने जा रहा हूं और पहला अच्छा अंक है क्योंकि मेरा मानना ​​​​है कि यह हर वर्ग के लिए एक छोटा सा उदाहरण शामिल करने में मददगार होगा।

sklearn/cluster पर काम कर रहा है

नमस्ते, मैं पहले योगदान के रूप में इंप्यूटर के लिए एक उदाहरण जोड़ने पर काम कर रहा हूं।

रैखिक प्रतिगमन लेना: http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html

TfidfVectorizer और CountVectorizer पर कार्य करना।

ऐसा लगता है कि इन पर #7961 , #8519 , और #8525 में काम किया गया था लेकिन अभी तक पूरा नहीं हुआ है या विलय नहीं हुआ है।

sklearn/feature_extraction/text.py में हैशिंग वेक्टराइज़र पर भी काम कर रहे हैं।

OPTICS । (#11677 पर निर्भर करता है)

sklearn/feature_selection/univariate_selection.py

मुझे लगता है कि आप अभी भी बग के साथ ऑप्टिक्स के लिए एक उदाहरण प्रदान कर सकते हैं :)

@ qinhanmin2014 क्या आपका मतलब एक उदाहरण w/o एक बाहरी है ताकि यह बग न दिखाए? मुझे लगता है कि एक उदाहरण होना अच्छा होगा जो जूते कैसे OPTICS एक बाहरी का पता लगाता है, और मुझे संदेह है कि बग ठीक होने के बाद हम उदाहरण को बदलना भूल जाएंगे। एक बार समस्या ठीक हो जाने पर मैं उदाहरण को ठीक करने के लिए _bug_ मुद्दे में एक नोट लिख सकता हूं, लेकिन फिर प्रारंभिक उदाहरण में बाहरी नहीं होगा। क्या मुझे ऐसा करना चाहिए?

क्या आपका मतलब एक उदाहरण w/o एक बाहरी है ताकि यह बग न दिखाए?

नहीं, मेरा मतलब डीबीएससीएएन की तरह बाहरी (ओं) के साथ है

मैंने बग पर ध्यान नहीं दिया है, लेकिन मुझे उम्मीद है कि ऑप्टिक्स ज्यादातर समय सही आउटलेर्स का पता लगा सकता है, इसलिए आप अभी भी एक उदाहरण बना सकते हैं। यदि ऐसा नहीं है, तो मुझे लगता है कि हमें बग को अवरोधक के रूप में टैग करने की आवश्यकता है।

काफी उचित, मैं कोशिश करूँगा और देखूंगा कि क्या मुझे एक साधारण उदाहरण मिल सकता है जहां यह ठीक काम करता है।

sklearn/linear_model/ridge.py

sklearn/covariance/graph_lasso_.py पर ले जा रहा है

sklearn/linear_model/logistic.py

preprocessing कक्षाएं लेना।

परसेप्ट्रोन लेना

मैंने परसेप्ट्रॉन वर्ग में उदाहरण जोड़ा है लेकिन कुछ अज्ञात कारणों से यह काम नहीं करेगा।
मदद की ज़रूरत है, मैं एक नौसिखिया हूँ!(ps-मैंने पहले ही एक पुल अनुरोध बनाया है)।

https://github.com/scikit-learn/scikit-learn/pull/11798

sklearn/random_projection

[[MRG] Perceptron उदाहरण Perceptron.py से scikit-learn/scikit-learn/linear_model/perceptron.py #11798 तक

'sklearn/manifold' लेना

मैं sklearn.feature_extraction.image.PatchExtractor पर काम कर रहा हूं

एंड्रिया और मैं sklearn.cluster.Ward और LedoitWolf उदाहरण पर काम करेंगे। हम यह सुनिश्चित करने के लिए एक्सेल ट्रैकर को अपडेट कर रहे हैं कि कोई भी दोहराए गए प्रयास नहीं कर रहा है।

मैं sklearn.decomposition.DictionaryLearning . पर काम कर रहा हूँ

हमने अभी यहां @lodurality से google doc को
https://docs.google.com/spreadsheets/d/19D-RQocsLk4BM7-Xax8hVvIu3XDgwYSUnvja4cMrJww/edit#gid =0

मैं और शिमेंग लापता लोगों पर काम कर रहे होंगे।

@andreanr , वह डॉक्टर थोड़े पुराना है और नए वर्गों का एक पूरा समूह गायब है। एक बेहतर विचार यह होगा कि एक मॉड्यूल या एक फोल्डर लिया जाए और उसमें सभी सार्वजनिक वर्गों को शामिल किया जाए।

@adrinjalali हाँ निश्चित रूप से, हम वर्तमान सूची में बकाया लोगों को समाप्त कर देंगे और फिर हम अद्यतन मॉड्यूल पर सूची आधार को अपडेट करेंगे।

@andreanr क्या आप ensemble.gradient_boosting में भी कक्षाओं में काम कर रहे हैं? नहीं तो मैं उस पर काम करना चाहूंगा।

@ डेटन-कीकर आगे बढ़ो!

नमस्ते,

क्या ऐसा कुछ बचा है जिसमें मैं योगदान कर सकूं?

धन्यवाद।

@श्रीविद्याप्रकाश मैंने केवल ensemble.gradient_boosting अनुमानकों के लिए उदाहरण जोड़े हैं। आप अन्य वर्गों पर एक नज़र डाल सकते हैं।

@ डेटन-कीकर, आपके उत्तर के लिए धन्यवाद। सार्वजनिक रूप से सुव्यवस्थित रेपो में यह मेरा पहली बार है। क्या आप कृपया मुझे उदाहरण के लिए शैली और प्रारूप के लिए संभावित स्टार्टर गाइड पर मार्गदर्शन कर सकते हैं?
धन्यवाद।

@ श्रीविद्याप्रकाश , आप डेवलपर की मार्गदर्शिका में जो पाते हैं उसे देखकर शुरू कर सकते हैं । यदि आप शुरू करने के लिए प्रश्न पूछना चाहते हैं तो आप गटर पर भी पूछ सकते हैं। मैं आपको यहां एक सुखद योगदान यात्रा की कामना करता हूं।

एक बार जब आप इस विशेष मुद्दे पर शुरू कर देते हैं, तो आप इस धागे पर देखे जाने वाले कुछ पुल अनुरोधों की जांच कर सकते हैं कि इसमें क्या शामिल है।

नमस्ते, क्या कुछ बचा है जिसमें मैं सहायता कर सकूंगा?

यदि यह अभी भी उपलब्ध है, तो क्या मैं LinearRegression docstring से निपट सकता हूं?

@adrinjalali क्षमा करें, मैंने अभी अलग-अलग

हमने यहां जो कुछ बचा है उसका ट्रैक खो दिया है। एक योगदान वास्तव में सभी सार्वजनिक वर्गों की जांच करना और उन लोगों को सूचीबद्ध करना होगा जिन्हें अभी भी एक उदाहरण की आवश्यकता है, और इसे वहां से लें।

@adrinjalali , जो कुछ बचा है उसकी एक सूची संकलित कर सकता हूं

@adrinjalali , मैं इतना उत्साहित हो गया कि मैं पूछना भूल गया, क्या इस परियोजना की कोई विशिष्ट शाखा है जिसमें नवीनतम अपडेट हैं?

मास्टर के पास नवीनतम अपडेट हैं। दूसरी ओर, एक दृष्टिकोण हो सकता है
जेनरेट किए गए एपीआई दस्तावेज़ीकरण पर विचार करें (उदाहरण के लिए at
https://github.com/scikit-learn/scikit-learn.github.io/tree/master/dev/modules/generated)
और उन फ़ाइलों के लिए grep जिनमें class="rubric">Examples

@jnothman , धन्यवाद,

किसी मौजूदा दस्तावेज़ को अद्यतन करने या एक नया दस्तावेज़ बनाने के लिए यहां किसी और सहायता की आवश्यकता है..?
इससे मुझे ओपन सोर्स से भी शुरुआत करने में मदद मिलेगी .... इसलिए किसी भी दिशा या काम की सराहना की जाएगी।

हमें अभी भी उदाहरणों के बिना कक्षाओं की एक अद्यतन सूची की आवश्यकता है। पिंग @ Khayyon1?

@ Khayyon1 क्या आपने सूची पूरी कर ली है या आपको कुछ मदद चाहिए..?

@adrinjalali , मुझे इसे छोड़ना होगा क्योंकि मेरे द्वारा सहायता के लिए कहने के तुरंत बाद स्कूल फिर से शुरू हुआ और मैं इस पर काम करने में असमर्थ रहा, मेरी माफ़ी

@adrinjalali तो क्या मुझे यह देखना चाहिए कि @raghavrv . द्वारा उल्लिखित सूची में से कौन शेष हैं

@ coderop2 यह 3-4 साल पुरानी सूची है, शायद एक नई शुरुआत करना बेहतर है!

देर से उत्तर देने के लिए क्षमा करें...जैसे ही मेरी कॉलेज की परीक्षाएं समाप्त होंगी, मैं पुरानी सूची को ध्यान में रखते हुए एक नई सूची तैयार करना शुरू कर दूंगा....मुझे आशा है कि यह सभी के लिए एक संदर्भ के रूप में कार्य करने के लिए पर्याप्त होगी।

$ # list those with examples
$ git grep -p '^    Examples$' sklearn | grep '=class ' | sed 's/[^ ]* //;s/(.*//;s/:.*//' | sort > /tmp/classes_with_examples.txt
$ # rough list of all public classes
$ grep '\.[A-Z][a-zA-Z]\+' doc/modules/classes.rst  > /tmp/classes.txt
$ # classes without examples
$ grep -v -wFf /tmp/classes_with_examples.txt /tmp/classes.txt

...
that was incorrect. See below.
...

निश्चित नहीं है कि यह सटीक है

यह अधिक सटीक हो सकता है, फिर भी इसमें झूठी सकारात्मकता है। साथ ही, यह मानते हुए कि हमें मिक्सिन और चेतावनी कक्षाओं के लिए उदाहरणों की आवश्यकता नहीं है।

BaggingRegressor
BallTree
BaseEstimator
BayesianGaussianMixture
CalibratedClassifierCV
ClassifierChain
ColumnTransformer
CompoundKernel
ConstantKernel
DictionaryLearning
DistanceMetric
DotProduct
DummyClassifier
DummyRegressor
Exponentiation
ExpSineSquared
ExtraTreeClassifier
ExtraTreeRegressor
ExtraTreesClassifier
ExtraTreesRegressor
FunctionTransformer
GaussianMixture
GradientBoostingClassifier
GradientBoostingRegressor
GraphLasso
GraphLassoCV
GroupShuffleSplit
Hyperparameter
Imputer
IsolationForest
IsotonicRegression
IterativeImputer
KDTree
Kernel
KernelDensity
LocalOutlierFactor
Matern
Memory
MiniBatchDictionaryLearning
MLPClassifier
MLPRegressor
MultiOutputClassifier
MultiOutputRegressor
OAS
OneClassSVM
OneVsOneClassifier
OneVsRestClassifier
OPTICS
OutputCodeClassifier
PairwiseKernel
Parallel
Product
RandomizedSearchCV
RandomTreesEmbedding
RationalQuadratic
RBF
RegressorChain
SelectFromModel
SparseCoder
Sum
TfidfTransformer
WhiteKernel

हां, मैंने गलत लुकअप किया था, कई झूठे सकारात्मक दे रहा था। यह बेहतर है:

$ grep -v -f <(cat /tmp/classes_with_examples.txt | sed 's/.*/\\.&$/')  /tmp/classes.txt
   base.BaseEstimator
   base.BiclusterMixin
   base.ClassifierMixin
   base.ClusterMixin
   base.DensityMixin
   base.RegressorMixin
   base.TransformerMixin
   calibration.CalibratedClassifierCV
   cluster.OPTICS
    compose.ColumnTransformer
   covariance.OAS
   decomposition.DictionaryLearning
   decomposition.MiniBatchDictionaryLearning
   decomposition.SparseCoder
   dummy.DummyClassifier
   dummy.DummyRegressor
   ensemble.BaggingClassifier
   ensemble.BaggingRegressor
   ensemble.ExtraTreesClassifier
   ensemble.ExtraTreesRegressor
   ensemble.GradientBoostingClassifier
   ensemble.GradientBoostingRegressor
   ensemble.IsolationForest
   ensemble.RandomTreesEmbedding
   exceptions.ChangedBehaviorWarning
   exceptions.ConvergenceWarning
   exceptions.DataConversionWarning
   exceptions.DataDimensionalityWarning
   exceptions.EfficiencyWarning
   exceptions.NonBLASDotWarning
   exceptions.UndefinedMetricWarning
   feature_extraction.text.TfidfTransformer
   feature_selection.SelectFromModel
  gaussian_process.kernels.CompoundKernel
  gaussian_process.kernels.ConstantKernel
  gaussian_process.kernels.DotProduct
  gaussian_process.kernels.ExpSineSquared
  gaussian_process.kernels.Exponentiation
  gaussian_process.kernels.Hyperparameter
  gaussian_process.kernels.Kernel
  gaussian_process.kernels.Matern
  gaussian_process.kernels.PairwiseKernel
  gaussian_process.kernels.Product
  gaussian_process.kernels.RBF
  gaussian_process.kernels.RationalQuadratic
  gaussian_process.kernels.Sum
  gaussian_process.kernels.WhiteKernel
   isotonic.IsotonicRegression
   impute.IterativeImputer
   mixture.BayesianGaussianMixture
   mixture.GaussianMixture
   model_selection.GroupShuffleSplit
   model_selection.RandomizedSearchCV
    multiclass.OneVsRestClassifier
    multiclass.OneVsOneClassifier
    multiclass.OutputCodeClassifier
    multioutput.ClassifierChain
    multioutput.MultiOutputRegressor
    multioutput.MultiOutputClassifier
    multioutput.RegressorChain
   neighbors.BallTree
   neighbors.DistanceMetric
   neighbors.KDTree
   neighbors.KernelDensity
   neighbors.LocalOutlierFactor
   neural_network.MLPClassifier
   neural_network.MLPRegressor
   preprocessing.FunctionTransformer
   svm.OneClassSVM
   tree.ExtraTreeClassifier
   tree.ExtraTreeRegressor
   utils.Memory
   utils.Parallel
   covariance.GraphLasso
   covariance.GraphLassoCV
   preprocessing.Imputer

यह 76 है जबकि आपकी सूची 62 है: इसमें base.* और exceptions.* शामिल नहीं है, जो कि काफी उचित है, @adrinjalali , जबकि Sum जैसी अजीब चीजें शामिल हैं।

क्षमा करें, हम दोनों में योग शामिल है। नासमझ।

GroupShuffleSplit पर लेना

मैं डमी (डमी क्लासिफायर, डमी रेग्रेसर) पर काम करूंगा।

यह उन वर्गों की वर्तमान सूची है जिन्हें उदाहरणों की आवश्यकता हो सकती है:

base.BaseEstimator
base.BiclusterMixin
base.ClassifierMixin
base.ClusterMixin
base.DensityMixin
base.RegressorMixin
base.TransformerMixin
cluster.OPTICS
compose.ColumnTransformer
covariance.OAS
decomposition.DictionaryLearning
decomposition.MiniBatchDictionaryLearning
decomposition.SparseCoder
ensemble.BaggingClassifier
ensemble.BaggingRegressor
ensemble.ExtraTreesClassifier
ensemble.ExtraTreesRegressor
ensemble.GradientBoostingClassifier
ensemble.GradientBoostingRegressor
ensemble.IsolationForest
ensemble.RandomTreesEmbedding
exceptions.ChangedBehaviorWarning
exceptions.ConvergenceWarning
exceptions.DataConversionWarning
exceptions.DataDimensionalityWarning
exceptions.EfficiencyWarning
exceptions.NonBLASDotWarning
exceptions.UndefinedMetricWarning
feature_extraction.text.TfidfTransformer
feature_selection.SelectFromModel
gaussian_process.kernels.CompoundKernel
gaussian_process.kernels.ConstantKernel
gaussian_process.kernels.DotProduct
gaussian_process.kernels.ExpSineSquared
gaussian_process.kernels.Exponentiation
gaussian_process.kernels.Hyperparameter
gaussian_process.kernels.Kernel
gaussian_process.kernels.Matern
gaussian_process.kernels.PairwiseKernel
gaussian_process.kernels.Product
gaussian_process.kernels.RBF
gaussian_process.kernels.RationalQuadratic
gaussian_process.kernels.Sum
gaussian_process.kernels.WhiteKernel
impute.IterativeImputer
inspection.PartialDependenceDisplay
metrics.RocCurveDisplay
mixture.BayesianGaussianMixture
mixture.GaussianMixture
multiclass.OneVsRestClassifier
multiclass.OneVsOneClassifier
multiclass.OutputCodeClassifier
multioutput.ClassifierChain
multioutput.MultiOutputRegressor
multioutput.MultiOutputClassifier
multioutput.RegressorChain
neighbors.BallTree
neighbors.DistanceMetric
neighbors.KDTree
neighbors.KernelDensity
neighbors.LocalOutlierFactor
neural_network.MLPClassifier
neural_network.MLPRegressor
preprocessing.FunctionTransformer
svm.LinearSVC
tree.ExtraTreeClassifier
tree.ExtraTreeRegressor
utils.Memory
utils.Parallel

हाय @pspachtholz @MechCoder , मैं इस पर काम करना चाहूंगा। मुझे स्किकिट-लर्न में योगदान करने में दिलचस्पी है और मुझे लगता है कि यह एक अच्छा प्रारंभिक बिंदु हो सकता है।

धन्यवाद

@PyExtreme मुझे लगता है कि आप बस आगे बढ़ सकते हैं, सूची से एक/अधिक कक्षाओं का चयन करें जो आपको दिलचस्प लगे और उदाहरण जोड़ें। मैं फिर डुप्लिकेट काम से बचने के लिए यहां जो काम कर रहा हूं उसे पोस्ट करूंगा। मार्गदर्शन के लिए आप पहले मर्ज किए गए पुल अनुरोधों पर एक नज़र डाल सकते हैं।

@pspachtholz , मैं शुरुआत में _ExtraTreesClassifier_ उठा रहा हूं और प्रतिबद्ध होने के बाद, मैं बैचों में चुनना चाहता हूं।

धन्यवाद

ग्रेडिएंट बूस्टिंग पर काम किया।

neural_network.MLPClassifier और neural_network.MLPRegressor उठा रहा है

मैं svm.LinearSVC पर हूं

मैं sklearn.multioutput.MultiOutputClassifier पर काम कर रहा हूँ

नमस्ते, मैं mixture.BayesianGaussianMixture और mixture.GaussianMixture पर काम करूंगा

मैं feature_extraction.text.TfidfTransformer पर हूं। मुझे अच्छी शुभकामनाएँ दिजिएँ!

मैं feature_extraction.text.TfidfTransformer पर हूं। मुझे अच्छी शुभकामनाएँ दिजिएँ!

इस पर भी काम कर रहे हैं - शायद हम उदाहरण साझा कर सकते हैं?

ensemble.ExtraTreesClassifier उठा रहा है

मैं ensemble.BaggingRegressor चुन रहा हूँ

मैं feature_selection.SelectFromModel पर काम कर रहा हूँ

मैं पड़ोसियों को चुन रहा हूँ। कर्नेल घनत्व

मैं ensemble.IsolationForest पर हूं

multiclass.OneVsRestClassifier

अरे, मैं gaussian_process.kernels.RBF शुरू होकर गॉसियन प्रोसेस कर्नेल पर काम कर रहा हूँ और फिर @thorbenjensen के साथ अन्य कर्नेल करता

ensemble.GradientBoostingClassifier पर काम करना

Perceptron पर काम करना

ensemble.GradientBoostingRegressor पर काम करना

अगला tree.ExtraTreeClassifier

पहनावा पर काम करना। GradientBoostingRegressor

multiclass.OutputCodeClassifier पर एक नज़र डालें

neighbors.LocalOutlierFactor ।

ensemble.RandomTreesEmbedding पर काम कर रहा है

ensemble.ExtraTreesClassifier उठा रहा है

हाय @jorahn , मैंने पहले ही उस पर एक पीआर जमा कर दिया है।
कृपया बेझिझक कोई दूसरा मॉड्यूल चुनें.

मेरा सुझाव है कि यह देखने के लिए पहले टिप्पणियों को देखें कि क्या कोई डुप्लिकेट काम से बचने के लिए पहले से ही कक्षा में काम कर रहा है।
कुछ वर्गों के लिए पहले से ही कुछ (संभवतः बासी) mrg अनुरोध हैं, जहाँ हम लेखकों से पूछ सकते हैं कि क्या वे अभी भी इस पर सक्रिय रूप से काम कर रहे हैं।

@flaviomorelli @LBrummer @mschaffenroth मैंने इस पीआर में पहले से ही # 15151 में पहनावा ढाल किया था

यह देखने के लिए वास्तव में अच्छा बीटीडब्ल्यू है कि यह गति उठा रहा है :-)

ensemble.ExtraTreesClassifier उठा रहा है

हाय @jorahn , मैंने पहले ही उस पर एक पीआर जमा कर दिया है।
कृपया बेझिझक कोई दूसरा मॉड्यूल चुनें.

ओह, इस मुद्दे पर नहीं देखा। तो अब हमारे पास उसके लिए दो पीआर हैं

परसेप्ट्रोन पहले से ही प्रलेखित है।

tree.ExtraTreeRegressor पर काम कर रहा है

impute.IterativeImputer पर काम कर रहा है

@pspachtholz , मैं शुरुआत में _ExtraTreesClassifier_ उठा रहा हूं और प्रतिबद्ध होने के बाद, मैं बैचों में चुनना चाहता हूं।

धन्यवाद

@jorahn , मैंने इसके बारे में 1 सप्ताह पहले ही यहाँ उल्लेख किया था और पहले से ही 1 सप्ताह से इस पर काम कर रहा था।

OneVsOneClassifier पर काम कर रहा है।

मैं metrics.RocCurveDisplay लिए जा रहा हूँ

multioutput.ClassifierChain पर काम कर रहा है

PriorProbabilityEstimator पर काम कर रहा है।

मल्टीआउटपुट पर काम करना

neighbors.BallTree

PriorProbabilityEstimator को संस्करण 0.21 में हटा दिया गया है और इसे 0.23 संस्करण में हटा दिया जाएगा। इस पर काम नहीं हो रहा है।

covariance.OAS पर काम करना

SelectPercentile पहले से ही प्रलेखित है।

ensemble.ExtraTreesRegressor पर काम कर रहा है

neighbors.BallTree

बॉलट्री के लिए कुछ उदाहरण हैं और compose.ColumnTransformer पहले से ही

RANSACRegressor पहले से ही प्रलेखित है।

decomposition.SparseCoder

SelectKBest पहले से ही प्रलेखित है।

SpectralClustering पहले से ही प्रलेखित

IsolationForest पर काम करना

IsolationForest पर काम करना

हाय @zioalex , मेरे पास इसके लिए पहले से ही एक पीआर है: #15205। सुझाव और टिप्पणियां लेने में खुशी हुई :स्माइली:

neighbors.DistanceMetric में काम करना।

multioutput.RegressorChain पर काम कर रहा है

exceptions.ConvergenceWarning पर काम कर रहा है

exceptions.ChangedBehaviorWarning पर काम कर रहा है

exceptions.ChangedBehaviorWarning पर काम कर रहा है

@adrinjalali को लेने के बाद, हमने निष्कर्ष निकाला कि इस पर काम नहीं करना बेहतर है क्योंकि यह रिलीज पर निर्भर है। और शायद इसे कहीं और ले जाया जाएगा।

अपने मन की शांति के लिए हमारे जैसे बनें, exceptions.ChangedBehaviorWarning पर काम न करें

exceptions.DataDimensionalityWarning पर काम करना

मैं कुछ पर काम करना चाहूंगा। मैं प्रकाशिकी से शुरू करूंगा।

नमस्ते! के-साधन क्लस्टरिंग में एक उदाहरण कोड स्निपेट जोड़ने के बाद मैंने अभी एक पीआर उठाया है। यह मेरा पहला ओपन सोर्स योगदान है, इसलिए यह बहुत अच्छा होगा यदि कोई इस पर गौर करे और देखें कि क्या इसे और काम करने की आवश्यकता है!
धन्यवाद और सादर,
स्मृति सिंह

मैंने पिछले अक्टूबर से सूची को देखा और जाँच की कि किन वर्गों में पहले से ही पीआर / उदाहरण विलय हो गए हैं। मुझे लगता है कि पिछले साल या उससे पहले के दावों, जिन पर आगे कुछ नहीं हुआ है, को नजरअंदाज किया जा सकता है।
तो यहाँ एक अद्यतन टूडू सूची आती है:

इस पर काम न करें, यह रिलीज पर निर्भर है: अपवाद। ChangedBehaviorWarning

खुले जनसंपर्क:

अपघटन.स्पार्सकोडर #15233

~अपवाद। डेटा आयाम चेतावनी #15246~
मिश्रण। बायेसियन गाऊसी मिश्रण #15193
मिश्रण। गाऊसी मिश्रण #15193
मल्टीआउटपुट। क्लासिफायर चेन # 15211
मल्टीआउटपुट। रेग्रेसरचैन #15215

नया खुला पीआरएस:
decomposition.Dictionary Learning #16907
~अपवाद। दक्षता चेतावनी #16785~
~अपवाद। अपरिभाषित मीट्रिक चेतावनी #16784~

लेने के लिए नि: शुल्क:

(संपादित करें: base वे डेवलपर गाइड के लिए बेहतर अनुकूल हैं, आइए उन्हें अभी के लिए अनदेखा करें)
~आधार।आधार अनुमानक~
~आधार।बिकलस्टरमिक्सिन~
~आधार।क्लासिफायरमिक्सिन~
~आधार।क्लस्टरमिक्सिन~
~आधार।घनत्वमिक्सिन~
~ आधार। रजिस्ट्रार मिक्सिन ~
~आधार।ट्रांसफॉर्मरमिक्सिन~

अपघटन.मिनीबैचडिक्शनरीलर्निंग

~अपवाद।नॉनब्लासडॉटचेतावनी~

~feature_selection.SelectFromModel~

gaussian_process.kernels.CompoundKernel
gaussian_process.kernels.Hyperparameter
~ gaussian_process.kernels.Kernel~

~ निरीक्षण। आंशिक निर्भरता प्रदर्शन ~

~मल्टीक्लास।वनवीएसवनक्लासिफायर~

~मल्टीआउटपुट।मल्टीऑटपुटक्लासिफायर~

~बर्तन।स्मृति~
~ बर्तन। समानांतर ~

अद्यतन।
सहप्रसरण.OAS #16681
मल्टीआउटपुट। मल्टीआउटपुट रेग्रेसर #16698
tree.ExtraTreeClassifier #16671

पड़ोसी.DistanceMetric
पड़ोसी।केडीट्री
पड़ोसी। स्थानीय बाहरी कारक

अपवाद.डेटा रूपांतरण चेतावनी #16704

multiclass.OneVsOneClassifier #16700

क्या हम base.* कक्षाओं के लिए उदाहरण चाहते हैं? मुझे लगता है कि यह उन्हें developer guide में बेहतर ढंग से प्रलेखित करने के लिए और अधिक समझ में आता है। WDYT @jnothman @NicolasHug?

सहमत हूं कि यह डेवलपर गाइड के लिए बेहतर है। मैं टिप्पणी संपादित कर रहा हूँ

मुझे लगता है कि यह दुर्घटना से बंद हो गया था।

multioutput.MultiOutputClassifier में पहले से ही उदाहरण हैं। क्या इसे विशेषता का एक उदाहरण शामिल करने के लिए अद्यतन किया जाना चाहिए या इसे टू डू सूची से हटा दिया जाना चाहिए?

मुझे लगता है कि इसे सूची से हटाया जा सकता है। धन्यवाद @marenwestermann

मुझे लगता है कि इसे सूची से हटाया जा सकता है। धन्यवाद @marenwestermann

ठीक है, तो feature_selection.SelectFromModel को भी हटाया जा सकता है क्योंकि इसमें उदाहरण भी हैं। (इन्हें पिछले साल अक्टूबर में जोड़ा गया था।)

utils.Memory और utils.Parallel :
स्किकिट-लर्न वेबसाइट पर उन्हें "संस्करण 0.23 में हटा दिया जाना" कहा जाता है। मैंने utils.__init__.py फ़ाइल की जाँच की जहाँ ये वर्ग रहते थे और उन्हें हटा दिया गया है। तो इन्हें भी सूची से हटाया जा सकता है।

मैं कोशिश करूँगा और gaussian_process.kernels.Kernel निपटूंगा :)

उपरोक्त डिक्शनरी लर्निंग/मिनीबैच डिक्शनरी लर्निंग पीआर के अलावा, मैंने पड़ोसियों पर भी एक नज़र डाली। * कक्षाएं: उन सभी के पास पहले से ही कम से कम एक उदाहरण है। पड़ोसियों के लिए वाले। KDTree और पड़ोसियों के लिए। बॉलट्री CLASS_DOC प्रारूप स्ट्रिंग से उत्पन्न होते हैं जो _binary_tree.pxi शामिल फ़ाइल में पाए जा सकते हैं।

मैं पहली बार इस परियोजना में योगदान दे रहा हूं। मैं पड़ोसियों को देखना चाहता हूं। * कक्षाएं जिनमें शामिल हैं:
पड़ोसी.DistanceMetric
पड़ोसी।केडीट्री
पड़ोसी। स्थानीय बाहरी कारक

मैंने gaussian_process.kernels.Kernel पर एक नज़र @property डेकोरेटर वाली विधियाँ)। इसलिए मेरी समझ से इस वर्ग में उदाहरण जोड़ने का कोई मतलब नहीं है क्योंकि इसका उपयोग केवल किसी अन्य वर्ग के संयोजन में किया जा सकता है।
हालांकि, यदि आप gaussian_process.kernels.Kernel के वेबपेज के नीचे स्क्रॉल करते हैं तो इस वर्ग का उपयोग कैसे किया जा सकता है, इसके उदाहरण के लिए एक लिंक है। इसे नवंबर 2019 में जोड़ा गया था। इस उदाहरण में वर्ग SequenceKernel बनाया गया है जो Kernel वर्ग से विरासत में मिला है। SequenceKernel वर्ग स्किकिट-लर्न की विशेषता नहीं है, लेकिन जोड़ने के लिए एक दिलचस्प विशेषता हो सकती है।

कृपया मुझे सुधारें यदि मैंने यहां जो कुछ भी लिखा है वह गलत है।

हाँ, इसके लिए एक उदाहरण लिखना बहुत जटिल हो जाएगा। मैं इसे सूची से हटाकर खुश हूं।

@Malesche exceptions.DataDimensionalityWarning अब बंद हो गया है और इसलिए इसे TODO सूची से हटाया जा सकता है।

inspection.PartialDependenceDisplay :
वर्ग विवरण यह कहा जाता है में, "यह उपयोग करने के लिए सिफारिश की है plot_partial_dependence बनाने के लिए एक PartialDependenceDisplay "। मैंने इस फ़ंक्शन पर एक नज़र डाली और इसके अंदर एक PartialDependenceDisplay ऑब्जेक्ट बनाया गया और इसकी plot विधि को कॉल किया गया। plot_partial_dependence का उपयोग करने के उदाहरण हैं, और इसलिए मुझे लगता है कि inspection.PartialDependenceDisplay उदाहरण जोड़ने की कोई आवश्यकता नहीं है। आपको क्या लगता है, @adrinjalali ?

सहमत @marenwestermann

exceptions.NonBLASDotWarning को TODO सूची से भी हटाया जा सकता है क्योंकि exceptions.py में उदाहरण होने के खिलाफ निर्णय लिया गया है (# 17040 देखें)।

@NicolasHug, @amueller सिर्फ मामले में आप एक स्प्रिंट मुद्दे के रूप में इस मुद्दे का उपयोग करना चाहते हैं, तो आप पा सकते हैं यहाँ वर्गों की सूची अभी भी उदाहरण लापता (जोएल के लिए धन्यवाद स्क्रिप्ट , खुद द्वारा संशोधित ... :))। मैंने पहले ही base और exceptions कक्षाएं हटा दी हैं। क्या मैं शुरुआत में ही सूची के साथ इस मुद्दे को संपादित करने का सुझाव दे सकता हूं? इससे उपलब्ध कक्षाओं की पहचान करना आसान हो जाएगा। पीआर अभी भी पिछले स्प्रिंट से खोले गए हैं (न केवल) सूची में जुड़े हुए हैं: मुझे लगता है कि एक नई घटना से पहले उन्हें अंतिम रूप देना उपयोगी होगा (धन्यवाद @thomasjpfan पहले से ही कुछ समीक्षा शुरू करने के लिए)।

सुझाव @cmarmo के लिए धन्यवाद, मैंने इस मुद्दे को अपडेट किया।

नमस्ते, मैं gaussian_process.kernels.Hyperparameter लेने की कोशिश करूंगा।

नमस्ते, मैं linear_model.* लूंगा।

• रैखिक_मॉडल। पॉइसन रेग्रेसर
• रैखिक_मॉडल। ट्वीडी रेग्रेसर
• रेखीय_मॉडल। गामा रेग्रेसर

नमस्ते, हम पहनावा लेंगे। GradientBoostingClassifier

नमस्ते, हम पहनावा लेंगे। GradientBoostingClassifier

यह पहले से ही एक उदाहरण है।

अरे, अब हम ले रहे हैं:

• मेट्रिक्स.ConfusionMatrixDisplay
• मेट्रिक्स। प्रेसिजनरिकॉलडिस्प्ले

अरे @adrinjalali , क्या आप कृपया पीआर की जांच कर सकते हैं? धन्यवाद!

@emdupre और मैं डेटा छाता स्प्रिंट के हिस्से के रूप में नीचे काम करेंगे।

• पड़ोसी। बॉल ट्री
• पड़ोसी.DistanceMetric
• पड़ोसी।केडीट्री

हैलो @adrinjalali , ऐसा लगता है कि हम पहले से ही नीचे के लिए कुछ उदाहरण देख सकते हैं। यह टूडू सूची में अद्यतन नहीं है। कृपया सुझाव दे।

• पड़ोसी। बॉल ट्री
• पड़ोसी.DistanceMetric
• पड़ोसी।केडीट्री

नमस्ते मैं इस पर काम करूंगा:

• decomposition.DictionaryLearning (#16907)
• decomposition.MiniBatchDictionaryLearning (#16907)
• अपघटन। स्पार्स कोडर (#15233)

नमस्ते, मैं इस पर काम करूंगा:

• gaussian_process.kernels.CompoundKernel

इसे बंद करना क्योंकि सभी पीआर को मिला दिया गया है और उदाहरणों के बिना कोई और प्रासंगिक वर्ग नहीं है।
स्प्रिंट के दौरान ट्राइएजिंग में मदद करने के लिए

क्या सचमे। शीर्ष पर दी गई सूची पुरानी है?

अरे हाँ मैंने दूसरे पीआर को मिला दिया।