Scikit-learn: Buat deskripsi random_state lebih informatif dan lihat Glosarium

Dibuat pada 29 Jan 2018 · 60Komentar · Sumber: scikit-learn/scikit-learn

Kami baru-baru ini menambahkan Glosarium ke dokumentasi kami, yang antara lain menjelaskan parameter umum. Kita sekarang harus mengganti deskripsi parameter random_state untuk membuatnya lebih ringkas dan informatif (lihat #10415). Misalnya, alih-alih

    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`.

di KMeans dan MiniBatchKMeans, kita mungkin memiliki:

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>`.

Oleh karena itu, deskripsi harus fokus pada apa dampak random_state pada algoritme.

Kontributor yang tertarik untuk berkontribusi pada perubahan ini harus mengambil satu modul pada satu waktu, pada awalnya.

Daftar estimator yang akan dimodifikasi adalah sebagai berikut:

Daftar file yang akan dimodifikasi menggunakan skrip 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 PR terbuka
[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_bosting/gradient_bosting.py) - 736 , 918
[x] [sklearn/ensemble/_hist_gradient_boosting/binning.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_hist_gradient_bosting/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 PR Terbuka
[x] [sklearn/decomposition/_kernel_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_kernel_pca.py) - 79 PR Terbuka
[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 Buka PR
[x] [sklearn/decomposition/_fastica.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_fastica.py) - 205 , 344 PR Terbuka
[x] [sklearn/decomposition/_nmf.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_nmf.py) - 290 , 475 , 966 , 1159 Terbuka PR
[x] [sklearn/decomposition/_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_pca.py) - 192 PR Terbuka
[x] [sklearn/decomposition/_sparse_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_sparse_pca.py) - 82 , 285 PR Terbuka
[x] [sklearn/decomposition/_lda.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_lda.py) - 60 , 79 , 225 PR Terbuka
[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 PR Terbuka
[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 PR Terbuka
[x] [sklearn/linear_model/_sag.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_sag.py) - 154 PR Terbuka
[x] [sklearn/linear_model/_perceptron.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_perceptron.py) - 55 PR Terbuka
[x] [sklearn/linear_model/_passive_aggressive.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_passive_aggressive.py) - 76 , 322 PR Terbuka
[x] [sklearn/linear_model/_logistic.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_logistic.py) - 587 , 924 , 1100 , 1658 Terbuka 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 PR Terbuka
[x] [sklearn/linear_model/_ridge.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_ridge.py) - 325 , 693 , 853 PR Terbuka
[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 Terbuka PR
[x] [sklearn/svm/_base.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/svm/_base.py) - 853 PR Terbuka
[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 PR Terbuka
[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

Documentation Moderate Sprint good first issue

Sumber

jnothman

Komentar yang paling membantu

Kami ingin mengerjakan sklearn/preprocessing/_data.py - 2178, 2607
@rachelcjordan dan @fabi-cast

wimlds #SciKitLearnSprint

Olks pada 25 Jan 2020

👍2

Semua 60 komentar

Hai @jnothman , Dapatkah saya menerima masalah ini? Terima kasih

aby0 pada 29 Jan 2018

Klaim modul/subpaket dan coba...

Pada 30 Januari 2018 pukul 00:24, Somya Anand [email protected] menulis:

Hai @jnothman https://github.com/jnothman , Dapatkah saya menangani masalah ini? Terima kasih
—
Anda menerima ini karena Anda disebutkan.
Balas email ini secara langsung, lihat di GitHub
https://github.com/scikit-learn/scikit-learn/issues/10548#issuecomment-361243951 ,
atau matikan utasnya
https://github.com/notifications/unsubscribe-auth/AAEz62ie2pMFVg7uM6_MVnmWKRX-efgHks5tPcaHgaJpZM4Rwij3
.

jnothman pada 29 Jan 2018

@jnothman Saya minta maaf karena naif tetapi dapatkah Anda menjelaskan tentang modul/submodul? Maksud saya, apakah Anda mengacu pada sub-paket seperti Kmeans misalnya?

aby0 pada 29 Jan 2018

Menurut saya yang dimaksud @jnothman hanya memulai dengan satu file, misalnya sklearn/cluster/k_means_.py, perbarui docstring random_state seperti pada posting teratas dan buka PR.

lesteve pada 29 Jan 2018

subpaket adalah sesuatu seperti sklearn.cluster

jnothman pada 29 Jan 2018

Terima kasih. Akan melakukan itu dan membuka PR.

aby0 pada 30 Jan 2018

Hai! @jnothman

Apakah Anda juga ingin mengganti komentar berikut seperti yang terlihat di grid_search.py? Mereka memiliki saluran ekstra dibandingkan dengan yang dibagikan oleh Anda.

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 pada 30 Jan 2018

Saya dapat mengambil grid_search.py dan k_means.py(KMeans).

shivamriky pada 30 Jan 2018

biarkan grid_search.py sendiri. itu sudah usang. Idenya adalah untuk meminimalkan
konten yang diulang, dan tersedia di glosarium, sehingga kami dapat
berikan deskripsi paling informatif kepada pengguna tentang peran random_state di
penduga tertentu.

jnothman pada 30 Jan 2018

Terima kasih @jnothman. Apakah saya perlu memahami algoritme ini sebelum saya dapat mengganti informasi random_state ini?

shivamriky pada 31 Jan 2018

Anda perlu memahami algoritme secara luas, tetapi tidak setiap detail dari
implementasi mereka. Anda harus dapat menemukan di mana random_state
digunakan, jika pengacakan dalam algoritma tidak sepenuhnya jelas.
Dalam beberapa kasus, mungkin tepat untuk tidak memberikan lebih banyak detail daripada
hanya menghubungkan ke glosarium; kita harus melihat bagaimana kelanjutannya.

jnothman pada 31 Jan 2018

Oke terima kasih. Saya akan mulai mempelajari algoritma secara perlahan.

Salam,
Shivam Rastogi

shivamriky pada 3 Feb 2018

Saya telah membuka permintaan tarik #10614

shivamriky pada 10 Feb 2018

Karena @aby0 belum mengklaim modul sklearn.cluster. Saya ingin mengklaim seluruh modul. Tolong beri tahu saya jika saya dapat mengerjakannya atau saya harus mengerjakan sesuatu yang lain.

shivamriky pada 10 Feb 2018

Ada update ga guys? Ini adalah hari libur panjang bagi kami, jadi beri tahu saya jika saya bisa memilih ini.

shivamriky pada 15 Feb 2018

Saya akan mengambil modul datasets karena saya sudah mencari-cari di docstrings di sana untuk #10731.

richford pada 28 Feb 2018

Saya mengklaim modul linear_model . ~~akan menaikkan PR segera.~~ #11900 diangkat.

Klaim modul decomposition selanjutnya.

SirR4T pada 23 Agu 2018

Daftar periksa modul di mana ini perlu dilakukan:

[ ] pengembang
[ ] kovarians
[x] dekomposisi
[ ] dummy.py
[ ] ansambel
[ ] fitur_ekstraksi
[ ] fitur_pilihan
[ ] gaussian_process
[ ] kernel_approximation.py
[x] linear_model melalui #11900
[ ] bermacam-macam
[ ] metrik
[ ] campuran
[ ] model_pilihan
[ ] multiclass.py
[ ] multioutput.py
[ ] tetangga
[ ] jaringan syaraf
[ ] pemrosesan awal
[ ] random_projection.py
[ ] svm
[ ] pohon
[ ] kegunaan

SirR4T pada 23 Agu 2018

Kami mengalami kesulitan mencapai konsensus tentang bagaimana mencapai keseimbangan yang tepat
di sini, iirc

jnothman pada 23 Agu 2018

Jadi, perhatikan PR sebelumnya yang digabungkan di atas

jnothman pada 23 Agu 2018

@jnothman terima kasih! akan memperbarui PR untuk menyebutkan reproduktifitas ketika melewati int.

SirR4T pada 23 Agu 2018

bersedia mengambil semua modul lain di PR lain, setelah ini ditinjau...

SirR4T pada 25 Agu 2018

Saya mengklaim kovarians.

BlackTeaAndCoffee pada 1 Sep 2018

@BlackTeaAndCoffee harap diperhatikan, format string dokumen belum selesai, diskusi telah terjadi pada PR lain yang tercantum di sini. Jadi Anda mungkin ingin melihatnya juga.

SirR4T pada 1 Sep 2018

Saya mengklaim fitur_ekstraksi

erodrago pada 22 Jun 2019

@jnothman , @NicolasHug , baru saja menemukan #15222 dan sejumlah PR yang terkait dengannya yang belum saya perhitungkan dalam meringkas yang ini ... beberapa di antaranya tidak pernah ditinjau ... :(
Untuk memperjelas hal-hal untuk sprint, saya ingin tahu apakah kita dapat menutup salah satu dari dua masalah itu: jika ya, yang mana? Karena saya dapat menghindari informasi yang digandakan. Terima kasih atas kerjasama Anda.

cmarmo pada 8 Jan 2020

Saya tidak mengetahui masalah ini (seharusnya diperiksa lebih baik), saya senang untuk menutup https://github.com/scikit-learn/scikit-learn/issues/15222 mendukung yang ini

NicolasHug pada 8 Jan 2020

Mengikuti komentar @jnothman mungkin masalah ini layak mendapat label 'Sedang'?

cmarmo pada 9 Jan 2020

Kami ingin mengerjakan ensemble/_hist_gradient_boosting/binning.
@mojc dan saya.

wimlds

Malesche pada 25 Jan 2020

@anaisabeldhero dan saya ingin mengerjakan manifold/*
#wimlds #SciKitLearnSprint

daphn3k pada 25 Jan 2020

@daphn3k dan saya akan mengerjakan sklearn/gaussian_process/

wimlds #SciKitLearnSprint

anaisabeldhero pada 25 Jan 2020

Kami ingin mengerjakan sklearn/preprocessing/_data.py - 2178, 2607
@rachelcjordan dan @fabi-cast

wimlds #SciKitLearnSprint

Olks pada 25 Jan 2020

👍2

Saya dan @Malesche ingin mengambil sklearn/inspection/_permutation_importance.py

WiMLDS

mojc pada 25 Jan 2020

👍1

mengklaim file sklearn/metrics/cluster/_unsupervised.py! #wimlds

stareh pada 25 Jan 2020

@daphn3k dan saya juga mengambil kovarians/* dan tetangga/* #wimlds

anaisabeldhero pada 25 Jan 2020

mengeklaim:
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 pada 25 Jan 2020

PSA: tolong gunakan kalimat aslinya

Berikan int untuk hasil yang dapat direproduksi di beberapa panggilan fungsi.

alih-alih apa yang saya lihat di PR saat ini:

Gunakan int untuk membuat keacakan deterministik

yang tidak benar, karena RNG selalu deterministik terlepas dari apa yang dilewatkan

CC @adrinjalali karena saya pikir Anda berada di sprint

NicolasHug pada 25 Jan 2020

👍1

bekerja pada jaringan saraf dan campuran

anaisabeldhero pada 25 Jan 2020

PSA: tolong gunakan kalimat aslinya
Berikan int untuk hasil yang dapat direproduksi di beberapa panggilan fungsi.
alih-alih apa yang saya lihat di PR saat ini:
Gunakan int untuk membuat keacakan deterministik
yang tidak benar, karena RNG selalu deterministik terlepas dari apa yang dilewatkan
CC @adrinjalali karena saya pikir Anda berada di sprint

Hai @NicolasHug ini dimaksudkan untuk mengomentari PR saya kira ... yang mana? :)

cmarmo pada 25 Jan 2020

akan bekerja di scikit-learn/sklearn/model_selection/_validation.py

rachelcjordan pada 25 Jan 2020

@cmarmo Itu adalah komentar umum untuk semua PR. Saya melihat satu dan berkomentar di sana, lalu melihat yang kedua dan mengetahui bahwa itu adalah pola yang akan lebih baik ditangani di sumbernya

NicolasHug pada 25 Jan 2020

@cmarmo Itu adalah komentar umum untuk semua PR. Saya melihat satu dan berkomentar di sana, lalu melihat yang kedua dan mengetahui bahwa itu adalah pola yang akan lebih baik ditangani di sumbernya

Maaf @NicolasHug , buruk, saya belum menemukan komentar yang mudah dilacak.

cmarmo pada 25 Jan 2020

@NicolasHug Kalimat asli telah diperbaiki dalam komit dari @anaisabeldhero dan saya

daphn3k pada 25 Jan 2020

Saya dan @Olks mengklaim sklearn/utils/extmath.py - 185, 297

fabi-cast pada 25 Jan 2020

Klaim sklearn/ensemble/_iforest.py - 109

SergioDSR pada 28 Jan 2020

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

GregoireMialon pada 28 Jan 2020

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

DatenBiene pada 29 Jan 2020

Klaim sklearn/multioutput.py - 578, 738

DatenBiene pada 29 Jan 2020

Mengeklaim :
sklearn/mixture/_bayesian_mixture.py - 166
sklearn/campuran/_base.py - 139
sklearn/mixture/_gaussian_mixture.py - 504