Scikit-learn: random_stateの説明をより有益なものにし、用語集を参照してください

作成日 2018年01月29日 · 60コメント · ソース: scikit-learn/scikit-learn

最近、ドキュメントに用語集を追加しました。このrandom_stateパラメーターの説明を置き換えて、より簡潔で有益なものにする必要があります（＃10415を参照）。たとえば、代わりに

    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`.

KMeansとMiniBatchKMeansの両方で、次のようになる可能性があります。

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>`.

したがって、説明では、 random_stateがアルゴリズムに与える影響に焦点を当てる必要があります。

この変更への貢献に関心のある貢献者は、最初は一度に1つのモジュールを受講する必要があります。

変更する推定量のリストは次のとおりです。

kwinata スクリプトを使用して変更するファイルのリスト

[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オープンPR
[X] [sklearn / utilsの/ extmath.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/utils/extmath.py） - 185 、 297
[X] [sklearn /アンサンブル/ _hist_gradient_boosting / gradient_boosting.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_hist_gradient_boosting/gradient_boosting.py） - 736 、 918
[X] [sklearn /アンサンブル/ _hist_gradient_boosting / binning.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_hist_gradient_boosting/binning.py） - 37 、 112
[X] [sklearn /アンサンブル/ _bagging.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_bagging.py） - 503 、 902
[X] [sklearn /アンサンブル/ _gb.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_gb.py） - 887 、 1360年
[X] [sklearn /アンサンブル/ _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 /アンサンブル/ _weight_boosting.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/ensemble/_weight_boosting.py） - 188 、 324 、 479 、 900 、 1022
[X] [sklearn /分解/ _truncated_svd.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_truncated_svd.py） - 59オープンPR
[X] [sklearn /分解/ _kernel_pca.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_kernel_pca.py） - 79オープンPR
[X] [sklearn /分解/ _dict_learning.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_dict_learning.py） - 364 、 485 、 692 、 1135 、 1325オープンPR
[X] [sklearn /分解/ _fastica.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_fastica.py） - 205 、 344オープンPR
[X] [sklearn /分解/ _nmf.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_nmf.py） - 290 、 475 、 966 、 1159を開きますPR
[X] [sklearn /分解/ _pca.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_pca.py） - 192オープンPR
[X] [sklearn /分解/ _sparse_pca.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_sparse_pca.py） - 82 、 285オープンPR
[X] [sklearn /分解/ _lda.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_lda.py） - 60 、 79 、 225オープンPR
[x] [sklearn / decomposition / _factor_analysis.py]（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_factor_analysis.py） -92オープンPR
[X] [sklearn /クラスタ/ _kmeans.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/cluster/_kmeans.py） - 56 、 241 、 380 、 583 、 700 、 1150 、 1370
[X] [sklearn /クラスタ/ _spectral.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/cluster/_spectral.py） - 41 、 197 、 313
[X] [sklearn /クラスタ/ _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 /前処理/ _data.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/preprocessing/_data.py） - 2178 、 2607年
[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オープンPR
[X] [sklearn / linear_model / _coordinate_descent.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_coordinate_descent.py） - 580 、 860 、 1313 、 1487 、 1665 、 1851 、 2016 、 2192年のオープンPR
[X] [sklearn / linear_model / _sag.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_sag.py） - 154オープンPR
[X] [sklearn / linear_model / _perceptron.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_perceptron.py） - 55オープンPR
[X] [sklearn / linear_model / _passive_aggressive.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_passive_aggressive.py） - 76 、 322オープンPR
[X] [sklearn / linear_model / _logistic.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_logistic.py） - 587 、 924 、 1100 、 1658オープン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オープンPR
[X] [sklearn / linear_model / _theil_sen.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_theil_sen.py） - 243オープンPR
[X] [sklearn / linear_model / _ridge.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_ridge.py） - 325 、 693 、 853オープンPR
[X] [sklearn /ツリー/ _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を開きPR
[X] [sklearn / SVM / _base.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/svm/_base.py） - 853オープンPR
[x] [sklearn / inspection / _permutation_importance.py]（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/inspection/_permutation_importance.py） -81
[X] [sklearn / gaussian_process / _gpr.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/gaussian_process/_gpr.py） - 109 、 382
[X] [sklearn / gaussian_process / _gpc.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/gaussian_process/_gpc.py） - 110 、 537
[X] [sklearn /マニホールド/ _spectral_embedding.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/manifold/_spectral_embedding.py） - 171 、 387
[X] [sklearn /マニホールド/ _locally_linear.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/manifold/_locally_linear.py） - 146 、 252 、 584
[X] [sklearn /マニホールド/ _t_sne.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/manifold/_t_sne.py） - 558
[X] [sklearn /マニホールド/ _mds.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/manifold/_mds.py） - 51 、 198 、 314
[X] [sklearn / utilsの/ _testing.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/utils/_testing.py） - 521
[X] [sklearn / utilsの/ __ init__.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/utils/__init__.py） - 478 、 623
[X] [sklearn /データセット/ _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 /データセット/ _rcv1.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/datasets/_rcv1.py） - 114
[X] [sklearn /データセット/ _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 /データセット/ _base.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/datasets/_base.py） - 157
[X] [sklearn /データセット/ _twenty_newsgroups.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/datasets/_twenty_newsgroups.py） - 187
[X] [sklearn /混合物/ _bayesian_mixture.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/mixture/_bayesian_mixture.py） - 166
[X] [sklearn /混合物/ _base.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/mixture/_base.py） - 139
[X] [sklearn /混合物/ _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年
[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年のオープンPR
[X] [sklearn / model_selection / _search.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/model_selection/_search.py） - 207 、 1299年
[X] [sklearn / neural_network / _multilayer_perceptron.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/neural_network/_multilayer_perceptron.py） - 782 、 1174年
[X] [sklearn / neural_network / _rbm.py（https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/neural_network/_rbm.py） - 59
[X] [sklearn /隣人/ _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 /共分散/ _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

ソース

jnothman

最も参考になるコメント

sklearn / preprocessing / _data.py-2178、2607で作業したい
@rachelcjordanと@

wimlds #SciKitLearnSprint

Olks 2020年01月25日

👍2

全てのコメント60件

こんにちは@jnothman 、私はこの問題を取ることができますか？ありがとう

aby0 2018年01月29日

モジュール/サブパッケージを要求して、試してみてください...

午後12時24分に2018年1月30日には、Somyaアナンドの[email protected]は書きました：

こんにちは@jnothmanhttps ：//github.com/jnothman 、この問題を解決できますか？ありがとう
—
あなたが言及されたのであなたはこれを受け取っています。
このメールに直接返信し、GitHubで表示してください
https://github.com/scikit-learn/scikit-learn/issues/10548#issuecomment-361243951 、
またはスレッドをミュートします
https://github.com/notifications/unsubscribe-auth/AAEz62ie2pMFVg7uM6_MVnmWKRX-efgHks5tPcaHgaJpZM4Rwij3
。

jnothman 2018年01月29日

@jnothmanナイーブで申し訳ありませんが、モジュール/サブモジュールについて詳しく説明していただけますか？たとえば、Kmeansのようなサブパッケージを参照しているのですか？

aby0 2018年01月29日

@jnothmanの意味は、sklearn / cluster / k_means_.pyなどの1つのファイルから始めて、一番上の投稿のようにrandom_state docstringを更新し、PRを開くことだと思います。

lesteve 2018年01月29日

サブパッケージはsklearn.clusterのようなものです

jnothman 2018年01月29日

ありがとう。それを行い、PRを開きます。

aby0 2018年01月30日

やあ！ @jnothman

また、grid_search.pyに表示されている次のコメントを置き換えますか？あなたが共有しているものと比較して、彼らは余分な行を持っています。

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 2018年01月30日

grid_search.pyとk_means.py（KMeans）を使用できます。

shivamriky 2018年01月30日

grid_search.pyはそのままにしておきます。非推奨です。アイデアは最小化することです
繰り返され、用語集で利用できるコンテンツ。
におけるrandom_stateの役割について最も有益な説明をユーザーに提供します
特定の推定量。

jnothman 2018年01月30日

@jnothmanに感謝します。このrandom_state情報を置き換える前に、これらのアルゴリズムを理解する必要がありますか？

shivamriky 2018年01月31日

アルゴリズムを広く理解する必要がありますが、すべての詳細を理解する必要はありません。
それらの実装。 random_stateがどこにあるかを見つけることができる必要があります
アルゴリズムのランダム化が完全に明らかでない場合は、が使用されます。
場合によっては、それ以上の詳細を提供しないことが適切な場合もあります。
用語集にリンクするだけです。それがどうなるかを見なければなりません。

jnothman 2018年01月31日

大丈夫ありがとう。ゆっくりとアルゴリズムを調べ始めます。

よろしく、
シヴァム・ラストギ

shivamriky 2018年02月03日

プルリクエストを開きました＃10614

shivamriky 2018年02月10日

@ aby0はまだsklearn.clusterモジュールを要求していないので、モジュール全体を請求したいと思います。私がそれに取り組むことができるかどうか、または私が何か他のものに取り組むべきかどうか私に知らせてください。

shivamriky 2018年02月10日

更新者はいますか？私たちにとっては長い休日ですので、これを選ぶことができるかどうか教えてください。

shivamriky 2018年02月15日

＃10731のドキュメント文字列を既に調べているので、 datasetsモジュールを使用します。

richford 2018年02月28日

linear_modelモジュールを要求しています。 ~~すぐにPRを上げます。~~ ＃11900が発生しました。

次にdecompositionモジュールを要求します。

SirR4T 2018年08月23日

これを行う必要があるモジュールのチェックリスト：

[]開発者
[]共分散
[x]分解
[]ダミー.py
[]アンサンブル
[ ] 特徴抽出
[] feature_selection
[] gaussian_process
[] kernel_approximation.py
[x]＃11900経由のlinear_model
[]多様体
[]メトリクス
[]混合物
[] model_selection
[] multiclass.py
[] multioutput.py
[]隣人
[ ] 神経網
[]前処理
[] random_projection.py
[] svm
[ ] 木
[] utils

SirR4T 2018年08月23日

適切なバランスをとる方法についてコンセンサスを得るのに苦労しました
ここで、iirc

jnothman 2018年08月23日

したがって、上記でマージされた以前のPRに注意を払ってください

jnothman 2018年08月23日

@jnothmanありがとう！ intを渡すときの再現性に言及するためにPRを更新します。

SirR4T 2018年08月23日

これらがレビューされたら、別のPRで他のすべてのモジュールを喜んで取り上げます...

SirR4T 2018年08月25日

私は共分散を主張しています。

BlackTeaAndCoffee 2018年09月01日

@BlackTeaAndCoffeeは、ドキュメント文字列形式がまだ確定していないことに注意してください。ここにリストされている他のPRについて議論が行われています。だからあなたも見てみたいかもしれません。

SirR4T 2018年09月01日

私はfeature_extractionを主張しています

erodrago 2019年06月22日

@ jnothman 、 @ NicolasHugは、＃15222とそれに関連するいくつかのPRを発見しましたが、これを要約する際に考慮していません...それらのいくつかはレビューされていません... :(
スプリントのことを明確にするために、これら2つの問題のいずれかを閉じることができるかどうか疑問に思っています。はいの場合、どちらですか。情報の重複を避けることができるので。コラボレーションありがとうございます。

cmarmo 2020年01月08日

私はこの問題に気づいていませんでした（もっとよくチェックする必要がありました）、これを支持してhttps://github.com/scikit-learn/scikit-learn/issues/15222を閉じてうれしいです

NicolasHug 2020年01月08日

@jnothmanのコメントに続いて、この問題は「中程度」のラベルに値する可能性がありますか？

cmarmo 2020年01月09日

アンサンブル/ _hist_gradient_boosting / binningに取り組みたいと思います。
@mojcと私。

wimlds

Malesche 2020年01月25日

@anaisabeldheroと私は多様体に取り組みたい/ *
#wimlds #SciKitLearnSprint

daphn3k 2020年01月25日

@ daphn3kと私はsklearn / gaussian_process /で作業します

wimlds #SciKitLearnSprint

anaisabeldhero 2020年01月25日

sklearn / preprocessing / _data.py-2178、2607で作業したい
@rachelcjordanと@

wimlds #SciKitLearnSprint

Olks 2020年01月25日

👍2

私と@Malescheはsklearn / inspection /_permutation_importance.pyを取得したいと考えています

WiMLDS

mojc 2020年01月25日

👍1

sklearn / metrics / cluster / _unsupervised.pyファイルを要求します！ #wimlds

stareh 2020年01月25日

@ daphn3kと私は共分散/ *とneighbors / *＃wimldsも取ります

anaisabeldhero 2020年01月25日

請求：
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 2020年01月25日

PSA：元の文を使用してください

複数の関数呼び出しにわたって再現可能な結果を得るためにintを渡します。

私が現在PRで見ているものの代わりに：

intを使用して、ランダム性を決定論的にします

何が渡されるかに関係なく、RNGは常に決定論的であるため、これは正しくありません。

CC @adrinjalaliあなたはスプリントにいると思うので、

NicolasHug 2020年01月25日

👍1

ニューラルネットワークと混合に取り組んでいます

anaisabeldhero 2020年01月25日

PSA：元の文を使用してください
複数の関数呼び出しにわたって再現可能な結果を得るためにintを渡します。
私が現在PRで見ているものの代わりに：
intを使用して、ランダム性を決定論的にします
何が渡されるかに関係なく、RNGは常に決定論的であるため、これは正しくありません。
CC @adrinjalaliあなたはスプリントにいると思うので、

こんにちは@NicolasHugこれは私が思うPRにコメントするためのものでした...どれですか？ :)

cmarmo 2020年01月25日

scikit-learn / sklearn / model_selection /_validation.pyで作業します

rachelcjordan 2020年01月25日

@cmarmoそれはすべてのPRに対する一般的なコメントでした。私は1つを見てコメントし、次に2つ目を見て、それがソースでより適切に対処されるパターンであると考えました。

NicolasHug 2020年01月25日

@cmarmoそれはすべてのPRに対する一般的なコメントでした。私は1つを見てコメントし、次に2つ目を見て、それがソースでより適切に対処されるパターンであると考えました。

申し訳ありませんが@NicolasHug 、私の悪い、コメントを追跡するのは簡単ではありません。

cmarmo 2020年01月25日

@NicolasHug元の文は@anaisabeldheroと私からのコミットで修正されました

daphn3k 2020年01月25日

私と@Olksはsklearn / utils /

fabi-cast 2020年01月25日

sklearn / ansemble /_iforest.pyを主張する-109

SergioDSR 2020年01月28日

sklearn / kernel_network / _multilayer_perceptron.pyを主張する-782、1174

GregoireMialon 2020年01月28日

sklearn / ansemble / _weight_boosting.pyを主張する-188、324、479、900、1022

DatenBiene 2020年01月29日

sklearn / multioutput.pyを主張する-578、738

DatenBiene 2020年01月29日

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

DatenBiene 2020年01月30日

sklearn / ansemble / _gb.pyを主張する-887、1360

DatenBiene 2020年01月30日

sklearn / ansemble / _hist_gradient_boosting /gradient_boosting.pyを主張する-736、918

DatenBiene 2020年01月30日

sklearn / kernel_network /_rbm.pyを主張する-59

GregoireMialon 2020年01月30日

請求：

sklearn / svm / _classes.py-90、312、546、752
sklearn / svm / _base.py-853

DatenBiene 2020年01月30日

請求：

sklearn / feature_selection / _mutual_info.py-226、335、414
sklearn / metrics / cluster /_unsupervised.py-80
sklearn / utils / _testing.py-521
sklearn / utils / init.py-478、623

DatenBiene 2020年01月30日

請求：

sklearn /dummy.py-59
sklearn / random_projection.py-178、245、464、586

DatenBiene 2020年01月31日

@ DatenBiene @ GregoireMialon最後のスプリントでのすべての貢献に感謝します。未チェックのモジュールは3つだけです！

興味がありますか/時間がある/それらに取り組む動機がありますか（プレッシャーなし！）？

jeremiedbb 2020年02月12日

こんにちはジェレミー！すぐに見てみます

ルメール。 12févr。 2020à15：53、JérémieduBoisberranger <
[email protected]>aécrit：

@DatenBiene https://github.com/DatenBiene @GregoireMialon
https://github.com/GregoireMialonすべての貢献に感謝します
最後のスプリント中。未チェックのモジュールは3つだけです！
興味がありますか/時間はありますか/それらに取り組む動機がありますか（いいえ
プレッシャー！）？
—
あなたが言及されたのであなたはこれを受け取っています。
このメールに直接返信し、GitHubで表示してください
https://github.com/scikit-learn/scikit-learn/issues/10548?email_source=notifications&email_token=AFY4624NQL3EAFLBGPUNAE3RCQEO3A5CNFSM4EOCFD32YY3PNVWWK3TUL52HS4DFVREXG43VMVBW63LNMVXHJKT
または購読を解除する
https://github.com/notifications/unsubscribe-auth/AFY4625457AU7OL4E4EUVOTRCQEO3ANCNFSM4EOCFD3Q
。

GregoireMialon 2020年02月13日

こんにちは@jeremiedbb！今日は残りの3つのモジュールを終了しようとします😃

請求：

sklearn / kernel_approximation.py-41、143、470
sklearn /multiclass.py-687
sklearn / ansemble / _base.py-52

DatenBiene 2020年04月04日

こんにちは@jnothmanと@jeremiedbb 、変更されたすべてのファイルのように見えます。残っている問題があれば、喜んでお手伝いさせていただきます。

DatenBiene 2020年04月16日

👍1

@DatenBieneと、この問題を解決するために尽力してくれたすべての貢献者に感謝します。
この巨大なものを閉じることができると思います！
random_state説明についてまだ何かが足りない場合は、新しい特定の問題を自由に開いてください。

cmarmo 2020年04月16日

このページは役に立ちましたか？

0 / 5 - 0 評価

Scikit-learn: random_stateの説明をより有益なものにし、用語集を参照してください

最も参考になるコメント

wimlds #SciKitLearnSprint

全てのコメント60件

wimlds

wimlds #SciKitLearnSprint

wimlds #SciKitLearnSprint

WiMLDS

関連する問題