Scikit-learn: random_state 설명을 더 유익하게 만들고 용어집을 참조하십시오.

에 만든 2018년 01월 29일 · 60코멘트 · 출처: scikit-learn/scikit-learn

우리는 최근에 다른 것들 사이에서 공통 매개변수를 설명하는 용어집 을 문서에 추가했습니다. 이제 random_state 매개변수에 대한 설명을 대체하여 보다 간결하고 정보를 제공해야 합니다(#10415 참조). 예를 들어 대신

    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`.

KMeans와 MiniBatchKMeans 모두에서 다음이 있을 수 있습니다.

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>`.

따라서 random_state 가 알고리즘에 미치는 영향에 대해 설명해야 합니다.

이 변경에 기여하는 데 관심이 있는 기여자는 처음에 한 번에 하나의 모듈을 수행해야 합니다.

수정할 estimator 목록은 다음과 같습니다.

kwinata 스크립트를 사용하여 수정할 파일 목록

[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 공개 홍보
[x] [sklearn/utils/extmath.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/utils/extmath.py) - 185 , 297
[X]는 sklearn / 앙상블 / _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/ensemble/_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/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 공개 홍보
[x] [sklearn/decomposition/_kernel_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_kernel_pca.py) - 79 공개 홍보
[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 공개 홍보
[x] [sklearn/decomposition/_fastica.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_fastica.py) - 205 , 344 공개 PR
[x] [sklearn/decomposition/_nmf.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_nmf.py) - 290 , 475 , 966 , 1159 열기 홍보
[x] [sklearn/decomposition/_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_pca.py) - 192 공개 홍보
[x] [sklearn/decomposition/_sparse_pca.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_sparse_pca.py) - 82 , 285 공개 홍보
[x] [sklearn/decomposition/_lda.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_lda.py) - 60 , 79 , 225 공개 홍보
[x] [sklearn/decomposition/_factor_analysis.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_factor_analysis.py) - 92 공개 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 공개 홍보
[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 공개 홍보
[x] [sklearn/linear_model/_sag.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_sag.py) - 154 공개 홍보
[x] [sklearn/linear_model/_perceptron.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_perceptron.py) - 55 공개 홍보
[x] [sklearn/linear_model/_passive_aggressive.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_passive_aggressive.py) - 76 , 322 공개 홍보
[x] [sklearn/linear_model/_logistic.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_logistic.py) - 587 , 924 , 1100 , 1658 열기 홍보
[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 공개 PR
[x] [sklearn/linear_model/_theil_sen.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_theil_sen.py) - 243 공개 홍보
[x] [sklearn/linear_model/_ridge.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_ridge.py) - 325 , 693 , 853 공개 홍보
[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 열기 홍보
[x] [sklearn/svm/_base.py](https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/svm/_base.py) - 853 공개 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/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 , 1,030 , 1,106 , 1,159 , 1,218 , 1,258 , 1,307 , 1,368 , 1,420 , 1,483 , 1,571 , 1,662
[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 공개 홍보
[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

출처

jnothman

가장 유용한 댓글

sklearn/preprocessing/_data.py - 2178, 2607에서 작업하고 싶습니다.
@rachelcjordan 및 @fabi-cast

wimlds #SciKitLearnSprint

Olks 에 2020년 01월 25일

👍2

모든 60 댓글

안녕하세요 @jnothman , 이 문제를

aby0 에 2018년 01월 29일

모듈/하위 패키지를 요청하고 가십시오...

2018년 1월 30일 00:24에 Somya Anand [email protected]이 다음과 같이 썼습니다.

안녕하세요 @jnothman https://github.com/jnothman , 이 문제를 해결할 수 있습니까? 감사 해요
—
당신이 언급되었기 때문에 이것을 받는 것입니다.
이 이메일에 직접 답장하고 GitHub에서 확인하세요.
https://github.com/scikit-learn/scikit-learn/issues/10548#issuecomment-361243951 ,
또는 스레드 음소거
https://github.com/notifications/unsubscribe-auth/AAEz62ie2pMFVg7uM6_MVnmWKRX-efgHks5tPcaHgaJpZM4Rwij3
.

jnothman 에 2018년 01월 29일

@jnothman 순진해서 죄송하지만 모듈/하위 모듈에 대해 자세히 설명해 주시겠습니까? 예를 들어 Kmeans와 같은 하위 패키지를 말씀하시는 건가요?

aby0 에 2018년 01월 29일

@jnothman이 의미하는 바는 예를 들어 sklearn/cluster/k_means_.py와 같이 하나의 파일로 시작하고 맨 위 게시물에서와 같이 random_state 독스트링을 업데이트하고 PR을 여는 것입니다.

lesteve 에 2018년 01월 29일

하위 패키지는 sklearn.cluster와 같습니다.

jnothman 에 2018년 01월 29일

감사 해요. 그렇게 하고 PR을 열 것입니다.

aby0 에 2018년 01월 30일

안녕하세요! @jnothman

grid_search.py에 표시된 다음 주석도 교체하시겠습니까? 귀하가 공유한 것과 비교하여 추가 회선이 있습니다.

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 에 2018년 01월 30일

grid_search.py 및 k_means.py(KMeans)를 사용할 수 있습니다.

shivamriky 에 2018년 01월 30일

grid_search.py를 그대로 두십시오. 더 이상 사용되지 않습니다. 최소화하자는 취지다.
반복되고 용어집에서 사용할 수 있는 콘텐츠를
사용자에게 random_state의 역할에 대한 가장 유익한 설명을 제공합니다.
특정 추정기.

jnothman 에 2018년 01월 30일

@jnothman 감사합니다. 이 random_state 정보를 대체하기 전에 이러한 알고리즘을 이해해야 합니까?

shivamriky 에 2018년 01월 31일

알고리즘을 광범위하게 이해해야 하지만 모든 세부 사항은 아닙니다.
그들의 구현. random_state 위치를 찾을 수 있어야 합니다.
알고리즘의 무작위화가 완전히 명확하지 않은 경우 사용됩니다.
어떤 경우에는 다음보다 훨씬 더 자세한 정보를 제공하지 않는 것이 적절할 수도 있습니다.
용어집에 연결하기만 하면 됩니다. 어떻게 되는지 지켜봐야 할 것입니다.

jnothman 에 2018년 01월 31일

좋아 감사합니다. 알고리즘을 천천히 살펴보겠습니다.

문안 인사,
시밤 라스토기

shivamriky 에 2018년 02월 03일

풀 리퀘스트 #10614를 열었습니다.

shivamriky 에 2018년 02월 10일

@aby0 은 아직 sklearn.cluster 모듈을 요구하지

shivamriky 에 2018년 02월 10일

업데이트가 있습니까? 우리에게는 긴 휴가이므로 내가 이것을 선택할 수 있는지 알려주십시오.

shivamriky 에 2018년 02월 15일

이미 #10731에 대한 독스트링을 살펴보고 있으므로 datasets 모듈을 사용하겠습니다.

richford 에 2018년 02월 28일

나는 linear_model 모듈을 주장하고 있습니다. ~~곧 PR을 올릴 것입니다.~~ #11900 제기.

다음에 decomposition 모듈을 청구합니다.

SirR4T 에 2018년 08월 23일

이 작업을 수행해야 하는 모듈의 체크리스트:

[ ] 개발자
[ ] 공분산
[x] 분해
[ ] 더미.py
[ ] 앙상블
[ ] 특징 추출
[ ] 기능 선택
[ ] 가우스 프로세스
[ ] kernel_approximation.py
[x] #11900을 통한 linear_model
[ ] 매니폴드
[ ] 측정항목
[ ] 혼합물
[ ] 모델 선택
[ ] 멀티클래스.py
[ ] 다중출력.py
[ ] 이웃
[ ] 신경망
[ ] 전처리
[ ] random_projection.py
[ ] svm
[ ] 나무
[ ] 유틸리티

SirR4T 에 2018년 08월 23일

올바른 균형을 유지하는 방법에 대한 합의에 도달하는 데 문제가 있었습니다.
여기, iirc

jnothman 에 2018년 08월 23일

따라서 위에 병합된 이전 PR에 주의를 기울이십시오.

jnothman 에 2018년 08월 23일

@jnothman 감사합니다! int를 전달할 때 재현성을 언급하기 위해 PR을 업데이트합니다.

SirR4T 에 2018년 08월 23일

검토가 완료되면 다른 PR의 다른 모든 모듈을 기꺼이 사용합니다...

SirR4T 에 2018년 08월 25일

공분산을 주장하고 있습니다.

BlackTeaAndCoffee 에 2018년 09월 01일

@BlackTeaAndCoffee 는 문서 문자열 형식이 아직 확정되지 않았으며 여기에 나열된 다른 PR에 대해 논의가 진행

SirR4T 에 2018년 09월 01일

나는 feature_extraction을 주장하고 있다

erodrago 에 2019년 06월 22일

@jnothman , @NicolasHug , 방금 #15222 및 이와 관련된 많은 PR을 발견
스프린트에 대해 명확하게 하기 위해 두 가지 문제 중 하나를 종료할 수 있는지 궁금합니다. 그렇다면 어떤 문제인가요? 중복 정보를 피할 수 있기 때문입니다. 협조해 주셔서 감사합니다.

cmarmo 에 2020년 01월 08일

이 문제에 대해 알지 못했습니다(더 잘 확인했어야 함). 이 문제를 위해 https://github.com/scikit-learn/scikit-learn/issues/15222 를 닫게 되어 기쁩니다.

NicolasHug 에 2020년 01월 08일

@jnothman 의견에 따라 이 문제가 '보통' 레이블을 받을 자격이 있습니까?

cmarmo 에 2020년 01월 09일

우리는 앙상블/_hist_gradient_boosting/binning에서 작업하고 싶습니다.
@mojc 와 나.

윔즈

Malesche 에 2020년 01월 25일

@anaisabeldhero 와 저는 매니폴드에서 작업하고 싶습니다/*
#wimlds #SciKitLearnSprint

daphn3k 에 2020년 01월 25일

@daphn3k 그리고 나는 sklearn/gaussian_process/에서 작업할 것입니다

wimlds #SciKitLearnSprint

anaisabeldhero 에 2020년 01월 25일

sklearn/preprocessing/_data.py - 2178, 2607에서 작업하고 싶습니다.
@rachelcjordan 및 @fabi-cast

wimlds #SciKitLearnSprint

Olks 에 2020년 01월 25일

👍2

나와 @Malesche 는 sklearn/inspection/_permutation_importance.py를 받고 싶습니다.

WiMLDS

mojc 에 2020년 01월 25일

👍1

sklearn/metrics/cluster/_unsupervised.py 파일을 요구합니다! #wimlds

stareh 에 2020년 01월 25일

@daphn3k 와 나는 공분산/*과 이웃/*도 취한다 #wimlds

anaisabeldhero 에 2020년 01월 25일

주장하다:
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 에 2020년 01월 25일

PSA: 원문을 사용하세요.

여러 함수 호출에서 재현 가능한 결과를 위해 int를 전달합니다.

현재 PR에서 보고 있는 것 대신:

임의성을 결정적으로 만들려면 int를 사용하십시오.

RNG는 전달된 내용에 관계없이 항상 결정적이므로 정확하지 않습니다.

CC @adrinjalali 당신이 스프린트에 있다고 생각하기 때문에

NicolasHug 에 2020년 01월 25일

👍1

신경망 및 혼합 작업

anaisabeldhero 에 2020년 01월 25일

PSA: 원문을 사용하세요.
여러 함수 호출에서 재현 가능한 결과를 위해 int를 전달합니다.
현재 PR에서 보고 있는 것 대신:
임의성을 결정적으로 만들려면 int를 사용하십시오.
RNG는 전달된 내용에 관계없이 항상 결정적이므로 정확하지 않습니다.
CC @adrinjalali 당신이 스프린트에 있다고 생각하기 때문에

안녕하세요 @NicolasHug 이것은 PR에 댓글을 달기 위한 것이었습니다... 어느 쪽인가요? :)

cmarmo 에 2020년 01월 25일

scikit-learn/sklearn/model_selection/_validation.py에서 작업할 예정입니다.

rachelcjordan 에 2020년 01월 25일

@cmarmo 모든 PR에 대한 일반적인 의견이었습니다. 나는 하나를 보고 거기에 댓글을 달았고, 두 번째 것을 보고 그것이 소스에서 더 잘 다루어질 패턴이라는 것을 알아냈습니다.

NicolasHug 에 2020년 01월 25일

@cmarmo 모든 PR에 대한 일반적인 의견이었습니다. 나는 하나를 보고 거기에 댓글을 달았고, 두 번째 것을 보고 그것이 소스에서 더 잘 다루어질 패턴이라는 것을 알아냈습니다.

죄송합니다 @NicolasHug , 죄송합니다. 댓글을 쉽게 추적할 수 없었습니다.

cmarmo 에 2020년 01월 25일

@NicolasHug @anaisabeldhero 와 저의 커밋에서 원본 문장이 수정되었습니다.

daphn3k 에 2020년 01월 25일

나와 @Olks 는 sklearn/utils/extmath.py를 주장합니다 - 185, 297

fabi-cast 에 2020년 01월 25일

sklearn/ensemble/_iforest.py 청구 - 109

SergioDSR 에 2020년 01월 28일

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

GregoireMialon 에 2020년 01월 28일

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

DatenBiene 에 2020년 01월 29일

sklearn/multioutput.py 청구 - 578, 738

DatenBiene 에 2020년 01월 29일

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