__UPDATE 23 Mei 202__
Berikut daftar kelas yang tersisa:
Sebagian besar dokumen di kelas tidak memiliki contoh. Akan sangat bagus untuk menambahkan satu atau dua contoh yang mirip dengan ini, http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Lasso.html
Saya berasumsi maksud Anda potongan kode kecil/doctest menggunakan masing-masing estimator.
Ini adalah salah satu alasan saya menambahkan tautan otomatis kembali ke yang bersangkutan
contoh dari galeri saat menampilkan referensi API yang dikompilasi, mis
http://scikit-learn.org/dev/modules/generated/sklearn.manifold.Isomap.html#examples -using-sklearn-manifold-isomap.
Sayangnya, tidak ada cara langsung untuk membuat render ini di mana
contoh-contoh paling doctest lakukan (dan karenanya mereka diturunkan ke akhir
halaman yang keluar dari generasi numpydoc).
Pada 12 November 2014 23:06, Manoj Kumar [email protected] menulis:
Sebagian besar dokumen di kelas tidak memiliki contoh. Akan sangat bagus untuk menambahkan satu
atau dua contoh yang mirip dengan ini,
http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Lasso.html—
Balas email ini secara langsung atau lihat di GitHub
https://github.com/scikit-learn/scikit-learn/issues/3846.
Ya, maksud saya mungkin satu atau dua liner (misalnya) https://github.com/scikit-learn/scikit-learn/pull/3802/files#diff -1741ad6b05f1eb0fd71af8bad0e001c7R321 hanya untuk menampilkan API.
Ini adalah salah satu alasan saya menambahkan tautan otomatis kembali ke contoh terkait dari galeri saat menampilkan referensi API yang dikompilasi
Ini luar biasa. Saya tidak menyadarinya sebelumnya!
Ini luar biasa. Saya tidak menyadarinya sebelumnya!
Hanya di dev. Dan disembunyikan di bagian bawah halaman :(
Di mana lagi yang menurut Anda akan lebih baik?
Di bawah deskripsi kelas dan di atas parameter?
Di mana saja sebelum deskripsi metode akan baik-baik saja. Deskripsi metode dapat menghabiskan banyak ruang vertikal pada halaman referensi API, sehingga seseorang tidak mungkin menggulir melewati mereka untuk mencari contoh.
Maaf untuk jawaban yang terlambat. Saya berasumsi bahwa itu tidak terlalu mudah untuk dilakukan? Jika tidak, Anda akan melakukannya sendiri?
Tidak, ini bahkan lebih hackier daripada pendekatan saat ini!
Pada 19 November 2014 21:59, Manoj Kumar [email protected] menulis:
Maaf untuk jawaban yang terlambat. Saya berasumsi bahwa itu tidak terlalu mudah untuk dilakukan? Kalau tidak
Anda akan melakukannya sendiri?—
Balas email ini secara langsung atau lihat di GitHub
https://github.com/scikit-learn/scikit-learn/issues/3846#issuecomment -63623385
.
Bagaimana kalau hanya menambahkan contoh ke docstring kelas yang hilang?
Ini adalah penaksir ( 98 - 10 / 148) yang saat ini tidak memiliki bagian Examples
:-
Selesai/WIP
ExtraTreesRegressor
BaggingClassifier
BaggingRegressor
AdaBoostRegressor
GradientBoostingRegressor
Tidak dibutuhkan
ExtraTreeClassifier # Used only in ensembling
ExtraTreeRegressor # -do-
MELAKUKAN
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
Tentu saja, tapi tidakkah menurut Anda itu sedikit membosankan? Kecuali jika Anda memiliki skrip.
Saya ingin belajar sedikit tentang semua estimator ini... Saya pikir ini akan menjadi cara yang baik untuk melakukannya :) Haruskah saya mulai mengerjakannya?
Tentu!
Saya sedang mengerjakan ini.
@ltcguthrie bagian yang mana? Ada banyak model yang harus dikerjakan untuk ini.
Saya akan mulai dengan TfidfVectorizer.
Bekerja pada RandomForestClassifier dan RandomForestRegressor
Bekerja pada PassiveAggressiveClassifier, PassiveAggressiveRegressor
Bekerja pada LinearSVC, LinearSVR
Bekerja pada StandardScaler, MinMaxScaler
Bekerja di ElasticNet, ElasticNetCV
Juga, buat google doc untuk daftar objek yang selesai/diurungkan
https://docs.google.com/spreadsheets/d/19D-RQocsLk4BM7-Xax8hVvIu3XDgwYSUnvja4cMrJww/edit#gid =0
@lodurality Anda juga dapat membuat daftar di sini dengan kotak centang
Saya akan menandainya sebagai 0,21 dan masalah pertama yang bagus karena saya yakin akan sangat membantu untuk menyertakan contoh kecil untuk setiap kelas.
mengerjakan sklearn/cluster
Hai, Saya sedang berupaya menambahkan contoh untuk Imputer sebagai kontribusi pertama.
Mengambil regresi linier: http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Juga bekerja pada HashingVectorizer di sklearn/feature_extraction/text.py
.
Mengambil OPTICS
. (tergantung pada #11677)
Mengambil sklearn/feature_selection/univariate_selection.py
Saya pikir Anda masih dapat memberikan contoh untuk OPTICS bahkan dengan bug :)
@qinhanmin2014 maksud Anda contoh tanpa outlier sehingga tidak menunjukkan bug? Saya kira akan lebih baik untuk memiliki contoh yang menunjukkan bagaimana OPTICS
mendeteksi outlier, dan saya kira kita akan lupa untuk mengubah contoh setelah bug itu diperbaiki. Saya dapat menulis catatan di masalah _bug_ untuk memperbaiki contoh setelah masalah diperbaiki, tetapi contoh awal tidak akan memiliki outlier. Haruskah saya melakukan itu?
maksud Anda contoh tanpa outlier sehingga tidak menunjukkan bug?
Tidak, maksud saya satu dengan outlier, seperti DBSCAN
Saya belum memeriksa bug tetapi saya berharap OPTICS dapat mendeteksi outlier yang benar sebagian besar waktu, sehingga Anda masih dapat membuat contoh. Jika tidak demikian, saya rasa kita perlu menandai bug tersebut sebagai pemblokir.
Cukup adil, saya akan mencoba dan melihat apakah saya dapat menemukan contoh sederhana di mana itu berfungsi dengan baik.
Mengambil sklearn/linear_model/ridge.py
mengambil sklearn/covariance/graph_lasso_.py
mengambil sklearn/linear_model/logistic.py
mengambil kelas preprocessing
.
mengambil Perceptron
Saya telah menambahkan contoh di kelas Perceptron tetapi untuk beberapa alasan yang tidak diketahui itu tidak akan berhasil.
Bantuan diperlukan, saya seorang pemula! (ps-Saya telah membuat permintaan tarik).
mengambil sklearn/random_projection
[[MRG] Contoh Perceptron di Perceptron.py untuk scikit-learn/scikit-learn/linear_model/perceptron.py #11798
Mengambil 'sklearn/manifold`
Saya sedang mengerjakan sklearn.feature_extraction.image.PatchExtractor
Andrea dan saya akan mengerjakan contoh sklearn.cluster.Ward dan LedoitWolf. Kami memperbarui pelacak Excel untuk memastikan tidak ada yang melakukan upaya duplikat.
Saya sedang mengerjakan sklearn.decomposition.DictionaryLearning
Kami baru saja memperbarui dokumen google dari @lodurality di sini:
https://docs.google.com/spreadsheets/d/19D-RQocsLk4BM7-Xax8hVvIu3XDgwYSUnvja4cMrJww/edit#gid =0
Saya dan Shimeng akan mengerjakan yang hilang.
@andreanr , dokumen itu agak tua dan kehilangan banyak kelas baru. Ide yang lebih baik adalah mengambil modul atau folder, dan mencakup semua kelas publik di dalamnya.
@adrinjalali Ya pasti, kami akan menyelesaikan yang luar biasa di daftar saat ini dan kemudian kami akan memperbarui basis daftar pada modul yang diperbarui.
@andreanr apakah Anda mengerjakan kelas di ensemble.gradient_boosting
juga? Kalau tidak, saya ingin mengerjakannya.
@daten-kieker ayo maju!
Hai,
Apakah masih ada yang bisa saya sumbangkan?
Terima kasih.
@srividhyaprakash Saya hanya menambahkan contoh untuk penaksir di ensemble.gradient_boosting
. Anda bisa melihat kelas lain.
@daten-kieker, Terima kasih atas balasan Anda. Ini adalah pertama kalinya saya berada di repo publik yang terpelihara dengan baik. Bisakah Anda membimbing saya tentang panduan pemula yang mungkin untuk melakukan gaya dan format untuk contoh?
Terima kasih.
@srividhyaprakash , Anda dapat memulai dengan menelusuri apa yang Anda temukan di panduan pengembang . Anda juga dapat bertanya di gitter jika Anda memiliki pertanyaan untuk memulai. Saya berharap Anda melakukan perjalanan kontribusi yang menyenangkan di sini.
Setelah Anda memulai masalah khusus ini, Anda dapat memeriksa beberapa permintaan tarik yang Anda lihat di utas ini untuk mendapatkan gambaran tentang apa yang terlibat.
Halo, apakah masih ada yang bisa saya bantu?
Jika masih tersedia, dapatkah saya menangani docstring LinearRegression?
@adrinjalali permintaan maaf, saya baru saja membaca komitmen yang berbeda dan saya melihat bahwa Anda telah menyelesaikan LinearRegression di #11975 . Bolehkah saya menangani docstring LogisticRegression?
Kami agak kehilangan jejak apa yang tersisa di sini. Salah satu kontribusinya adalah dengan benar-benar memeriksa semua kelas publik dan membuat daftar yang masih membutuhkan contoh, dan mengambilnya dari sana.
@adrinjalali , saya dapat menyusun daftar apa yang tersisa
@adrinjalali , saya sangat bersemangat sehingga saya lupa bertanya, apakah ada cabang khusus dari proyek ini yang memiliki pembaruan terbaru?
master memiliki pembaruan terbaru. Di sisi lain, satu pendekatan mungkin untuk
pertimbangkan dokumentasi API yang dihasilkan (misalnya di
https://github.com/scikit-learn/scikit-learn.github.io/tree/master/dev/modules/generated)
dan grep untuk file yang tidak mengandung class="rubric">Examples
@jnothman , terima kasih, saran
Adakah bantuan lagi yang diperlukan di sini untuk memperbarui dokumen yang ada atau membuat yang baru..?
Ini akan membantu saya memulai dengan open source juga.... jadi segala arah atau pekerjaan akan dihargai.
Kami masih membutuhkan daftar kelas yang diperbarui tanpa contoh. Ping ke @Khayyon1?
@Khayyon1 apakah Anda sudah menyelesaikan daftar atau butuh bantuan ..?
@adrinjalali , saya harus membatalkannya karena sekolah dilanjutkan segera setelah saya meminta untuk membantu dan saya tidak dapat mengerjakan ini, mohon maaf
@adrinjalali jadi saya harus melihat semua yang tersisa dari daftar yang disebutkan oleh @raghavrv
@ coderop2 itu daftar berusia 3-4 tahun, mungkin lebih baik untuk memulai yang baru!
Maaf atas keterlambatan balasannya...Begitu ujian kuliah saya selesai, saya akan mulai menyusun daftar baru sambil mengingat daftar lama....saya harap itu cukup untuk bertindak sebagai referensi bagi semua orang
$ # 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.
...
Tidak yakin ini akurat
Ini mungkin yang lebih akurat, masih memiliki positif palsu. Juga, dengan asumsi kita tidak membutuhkan contoh untuk kelas Mixin dan Peringatan.
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
Ya, saya melakukan pencarian yang salah, memberikan banyak positif palsu. Ini lebih baik:
$ 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
Ini adalah 76 sementara daftar Anda adalah 62: tidak termasuk base.*
dan exceptions.*
yang cukup adil, @adrinjalali , sambil memasukkan hal-hal aneh seperti Sum
.
Maaf, kami berdua menyertakan Sum. Konyol.
Mengambil GroupShuffleSplit
Saya akan mengerjakan dummy (DummyClassifier, DummyRegressor).
Ini adalah daftar kelas saat ini yang mungkin memerlukan contoh:
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
Hai @pspachtholz @MechCoder , saya ingin mengerjakan ini. Saya tertarik untuk berkontribusi pada scikit-learn dan berpikir bahwa ini bisa menjadi titik awal yang baik.
Terima kasih
@PyExtreme Saya pikir Anda bisa melanjutkan, pilih satu/lebih kelas dari daftar yang menurut Anda menarik dan tambahkan contoh. Saya kemudian akan memposting apa yang sedang Anda kerjakan di sini untuk menghindari pekerjaan duplikat. Untuk panduan, Anda dapat melihat permintaan tarik yang digabungkan sebelumnya.
@pspachtholz , saya mengambil _ExtraTreesClassifier_ awalnya dan setelah membuat komit, saya ingin mengambil dalam batch.
Terima kasih
Bekerja pada peningkatan gradien.
Mengambil neural_network.MLPClassifier
& neural_network.MLPRegressor
Saya di svm.LinearSVC
Saya sedang mengerjakan sklearn.multioutput.MultiOutputClassifier
Hai, saya akan mengerjakan mixture.BayesianGaussianMixture
dan mixture.GaussianMixture
Saya di feature_extraction.text.TfidfTransformer
. Semoga saya beruntung!
Saya menggunakan feature_extraction.text.TfidfTransformer. Semoga saya beruntung!
juga sedang mengerjakannya - Mungkin kami bisa berbagi contoh?
mengambil ensemble.ExtraTreesClassifier
Saya memilih ensemble.BaggingRegressor
Saya sedang mengerjakan feature_selection.SelectFromModel
Saya memilih tetangga. KernelDensity
Saya di ensemble.IsolationForest
pada multiclass.OneVsRestClassifier
Hai, saya akan mengerjakan kernel Proses Gaussian, dimulai dengan gaussian_process.kernels.RBF
dan kemudian mengerjakan kernel lainnya dengan @thorbenjensen
Bekerja di ensemble.GradientBoostingClassifier
Bekerja di Perceptron
Bekerja di ensemble.GradientBoostingRegressor
Selanjutnya tree.ExtraTreeClassifier
mengerjakan ensemble.GradientBoostingRegressor
melihat multiclass.OutputCodeClassifier
Melihat neighbors.LocalOutlierFactor
.
mengerjakan ensemble.RandomTreesEmbedding
mengambil
ensemble.ExtraTreesClassifier
Hai @jorahn , saya sudah mengajukan PR tentang itu.
Silakan pilih modul lain.
Saya sarankan melihat melalui komentar sebelumnya untuk melihat apakah seseorang sudah mengerjakan kelas untuk menghindari pekerjaan duplikat.
Untuk beberapa kelas sudah ada beberapa (mungkin basi) permintaan mrg, di mana kita bisa bertanya kepada penulis apakah mereka masih aktif mengerjakannya.
@flaviomorelli @LBrummer @mschaffenroth Saya sudah melakukan gradien ensemble di PR ini #15151
Sangat keren btw untuk melihat bahwa ini menambah kecepatan :-)
mengambil
ensemble.ExtraTreesClassifier
Hai @jorahn , saya sudah mengajukan PR tentang itu.
Silakan pilih modul lain.
oh, tidak melihat itu pada masalah ini. jadi kami sekarang memiliki dua PR untuk itu
Perceptron sudah didokumentasikan.
mengerjakan tree.ExtraTreeRegressor
mengerjakan impute.IterativeImputer
@pspachtholz , saya mengambil _ExtraTreesClassifier_ awalnya dan setelah membuat komit, saya ingin mengambil dalam batch.
Terima kasih
@jorahn , saya telah menyebutkannya 1 minggu yang lalu di sini saja dan sudah mengerjakannya sejak 1 minggu.
Bekerja di OneVsOneClassifier.
Saya akan pergi untuk metrics.RocCurveDisplay
mengerjakan multioutput.ClassifierChain
Bekerja pada PriorProbabilityEstimator
.
Bekerja pada multioutput.MultiOutputRegressor
mengambil neighbors.BallTree
PriorProbabilityEstimator
tidak digunakan lagi di versi 0.21 dan akan dihapus di versi 0.23. Tidak bekerja pada ini.
Bekerja di covariance.OAS
SelectPercentile
sudah didokumentasikan.
mengerjakan ensemble.ExtraTreesRegressor
mengambil
neighbors.BallTree
ada beberapa contoh untuk BallTree dan compose.ColumnTransformer
sudah
RANSACRegressor
sudah didokumentasikan.
mengambil decomposition.SparseCoder
SelectKBest
sudah didokumentasikan.
SpectralClustering
sudah didokumentasikan
Bekerja di IsolationForest
Bekerja di
IsolationForest
Hai @zioalex , saya sudah punya PR untuk ini: #15205. Senang menerima saran dan komentar :smiley:
Bekerja di neighbors.DistanceMetric
.
mengerjakan multioutput.RegressorChain
mengerjakan exceptions.ConvergenceWarning
mengerjakan exceptions.ChangedBehaviorWarning
mengerjakan
exceptions.ChangedBehaviorWarning
Setelah menggunakan @adrinjalali , kami menyimpulkan lebih baik tidak mengerjakan yang ini karena ini bergantung pada rilis. Dan kemungkinan besar akan dipindahkan ke tempat lain.
Untuk ketenangan pikiran Anda, jadilah seperti kami, jangan bekerja pada exceptions.ChangedBehaviorWarning
Bekerja di exceptions.DataDimensionalityWarning
Saya ingin mengerjakan beberapa. Saya akan mulai dengan optik.
Hai! Saya baru saja menaikkan PR setelah menambahkan cuplikan kode contoh ke pengelompokan K-means. Ini adalah kontribusi open source pertama saya, jadi akan sangat bagus jika seseorang dapat melihat ini dan melihat apakah itu membutuhkan lebih banyak pekerjaan!
Terima kasih dan Salam,
Smriti Singh
Saya memeriksa daftar dari Oktober lalu dan memeriksa kelas mana yang sudah menggabungkan PR/contoh. Saya kira klaim dari tahun lalu atau lebih lama yang lalu, di mana tidak ada lagi yang terjadi, dapat diabaikan.
Jadi inilah daftar tugas yang diperbarui:
jangan bekerja pada ini, ini tergantung pada rilis: pengecualian. PerubahanPerilakuPeringatan
dekomposisi.SparseCoder #15233
~exceptions.DataDimensionalityWarning #15246~
campuran.BayesianGaussianMixture #15193
campuran.GaussianMixture #15193
multioutput.ClassifierChain #15211
multioutput.RegressorChain #15215
PR terbuka baru:
dekomposisi.DictionaryLearning #16907
~pengecualian.EfficiencyWarning #16785~
~exceptions.UndefinedMetricWarning #16784~
(EDIT: yang ada di base
lebih cocok untuk panduan pengembang, mari kita abaikan untuk saat ini)
~base.BaseEstimator~
~base.BiclusterMixin~
~base.ClassifierMixin~
~base.ClusterMixin~
~base.DensityMixin~
~base.RegressorMixin~
~base.TransformerMixin~
dekomposisi.MiniBatchDictionaryLearning
~pengecualian.NonBLASDotWarning~
~feature_selection.SelectFromModel~
gaussian_process.kernels.CompoundKernel
gaussian_process.kernels.Hyperparameter
~gaussian_process.kernels.Kernel~
~inspection.PartialDependenceDisplay~
~multiclass.OneVsOneClassifier~
~multioutput.MultiOutputClassifier~
~utils.Memori~
~utils.Paralel~
Memperbarui.
kovarians.OAS #16681
multioutput.MultiOutputRegressor #16698
pohon.ExtraTreeClassifier #16671
tetangga.DistanceMetric
tetangga.KDTree
tetangga.LocalOutlierFactor
exceptions.DataConversionWarning #16704
multiclass.OneVsOneClassifier #16700
Apakah kita menginginkan contoh untuk kelas base.*
? Saya kira lebih masuk akal untuk mendokumentasikannya dengan lebih baik di developer guide
. WDYT @jnothman @NicolasHug ?
Setuju lebih baik untuk panduan pengembang. Saya mengedit komentar
Saya pikir itu ditutup secara tidak sengaja.
multioutput.MultiOutputClassifier sudah memiliki contoh. Apakah harus diperbarui untuk menyertakan contoh atribut atau haruskah dihapus dari daftar TO DO?
Saya pikir itu bisa dihapus dari daftar. Terima kasih @marenwestermann
Saya pikir itu bisa dihapus dari daftar. Terima kasih @marenwestermann
Oke, kalau begitu feature_selection.SelectFromModel juga bisa dihilangkan karena ada contohnya juga. (Ini ditambahkan pada Oktober tahun lalu.)
Mengenai utils.Memory
dan utils.Parallel
:
di situs web scikit-learn mereka dikatakan "akan dihapus di versi 0.23". Saya memeriksa file utils.__init__.py
tempat kelas-kelas ini tinggal dan mereka telah dihapus. Jadi ini juga bisa dikeluarkan dari daftar.
Saya akan mencoba dan menangani gaussian_process.kernels.Kernel
:)
Selain dari DictionaryLearning/MiniBatchDictionaryLearning PR di atas, saya juga melihat kelas tetangga.*: Mereka semua sudah memiliki setidaknya satu contoh. Yang untuk tetangga.KDTree dan tetangga.BallTree dihasilkan dari string format CLASS_DOC yang dapat ditemukan di file include _binary_tree.pxi..
Ini adalah pertama kalinya saya berkontribusi proyek ini. Saya ingin melihat kelas-kelas tetangga.* termasuk:
tetangga.DistanceMetric
tetangga.KDTree
tetangga.LocalOutlierFactor
Saya telah melihat gaussian_process.kernels.Kernel
. Menurut dokumentasi itu adalah "Kelas dasar untuk semua kernel". Oleh karena itu, semua atributnya adalah atribut properti read-only (metode dengan dekorator @property
). Dari pemahaman saya karena itu tidak masuk akal untuk menambahkan contoh ke kelas ini karena hanya dapat digunakan dalam kombinasi dengan kelas lain.
Namun, jika Anda menggulir ke bagian bawah halaman web gaussian_process.kernels.Kernel
ada tautan ke contoh bagaimana kelas ini dapat digunakan. Ini ditambahkan pada November 2019. Dalam contoh ini kelas SequenceKernel
dibuat yang mewarisi dari kelas Kernel
. Kelas SequenceKernel
bukanlah fitur dari scikit-learn tetapi mungkin merupakan fitur yang menarik untuk ditambahkan.
Mohon koreksi saya jika ada yang saya tulis di sini salah.
Ya itu akan membuatnya terlalu rumit untuk menulis contoh untuk itu. Saya senang karena itu dihapus dari daftar.
@Malesche exceptions.DataDimensionalityWarning
sekarang ditutup dan karena itu dapat dikeluarkan dari daftar TODO.
Mengenai inspection.PartialDependenceDisplay
:
Dalam deskripsi kelas dikatakan, "Disarankan untuk menggunakan plot_partial_dependence
untuk membuat PartialDependenceDisplay
". Saya telah melihat fungsi ini dan di dalamnya objek PartialDependenceDisplay
dibuat dan metode plot
dipanggil. Ada contoh cara menggunakan plot_partial_dependence
, dan karena itu menurut saya tidak perlu menambahkan contoh ke inspection.PartialDependenceDisplay
. Bagaimana menurutmu, @adrinjalali ?
setuju @marenwestermann
exceptions.NonBLASDotWarning
juga dapat dikeluarkan dari daftar TODO karena keputusan untuk tidak memiliki contoh di exceptions.py
telah dibuat (lihat #17040).
@NicolasHug , @amueller kalau-kalau Anda ingin menggunakan masalah ini sebagai masalah sprint, Anda dapat menemukan di sini daftar kelas yang masih kehilangan contoh (terima kasih kepada skrip Joel, diubah sendiri... :)). Saya telah menghapus kelas base
dan exceptions
. Bolehkah saya menyarankan untuk mengedit masalah dengan daftar hanya di awal? Ini akan membuat lebih mudah untuk mengidentifikasi kelas yang tersedia. PR yang masih dibuka dari sprint sebelumnya (tidak hanya) ditautkan ke dalam daftar: Saya pikir akan berguna untuk menyelesaikannya sebelum acara baru (terima kasih @thomasjpfan karena sudah memulai beberapa ulasan).
Terima kasih atas sarannya @cmarmo , saya memperbarui masalah ini.
HI, saya akan mencoba untuk menerima gaussian_process.kernels.Hyperparameter
.
Hai, saya akan menerima linear_model.*
.
Hai, Kami akan mengambil ensemble.GradientBoostingClassifier
Hai, Kami akan mengambil ensemble.GradientBoostingClassifier
Yang ini sudah ada contohnya.
Hei, Kami sekarang mengambil:
Hai @adrinjalali , Bisa tolong dicek PRnya? Terima kasih!
@emdupre dan saya akan mengerjakan di bawah ini sebagai bagian dari sprint payung data.
Halo @adrinjalali , Sepertinya kita sudah bisa melihat beberapa contoh di bawah ini. Itu tidak diperbarui dalam daftar tugas. Silakan menyarankan.
Hai saya akan mengerjakan:
Hai, saya akan mengerjakan:
gaussian_process.kernels.CompoundKernel
Menutup ini karena semua PR telah digabungkan dan tidak ada kelas yang lebih relevan tanpa contoh.
Terima kasih @j2heng telah membantu dalam melakukan triase selama sprint!
Oh benarkah. Daftar di atas sudah ketinggalan zaman?
Oh ya saya gabungkan PR yang lain.
Komentar yang paling membantu
Menutup ini karena semua PR telah digabungkan dan tidak ada kelas yang lebih relevan tanpa contoh.
Terima kasih @j2heng telah membantu dalam melakukan triase selama sprint!