이 문제를 열어 주셔서 감사합니다. gitter 에 따라 @jnothman @amueller @GaelVaroquaux 에 ping을 보내십시오.

8425는 분류기의 결정 영역과 관련이 없습니다.

나는 plot_tree와 plot_partial_dependence를 sklearn.plot으로 옮기고 0.21에서 #13335를 해결하는 것을 선호합니다. 다른 사람들은 어떻게 생각합니까?

sklearn.plot의 범위를 제어하는 ​​데 도움이 되도록 그림 수준이 아닌 축 수준에서만 플로팅을 수행할 것을 제안합니다. 사용자는 축을 키워드로 전달합니다. 편의상 좌표축의 기본값은 없음입니다. 이 경우에만 플로팅 기능이 플로팅할 축/그림을 생성합니다.

좋은 생각이지만 기존 함수(plot_tree 및 plot_partial_dependence)와 일치하지 않습니다. 맞죠?

다음과 같이 그림을 출력/수정해야 하는 경우가 있습니다.
다중 서브플롯(seaborn의 패싯 플롯 등 참조 및
예시). 축으로 제한하려는 이유를 제시할 수 있습니까?

2019년 3월 15일 금요일 오전 2시 19분 Hanmin Qin, [email protected] 작성:

이 문제를 열어주셔서 감사합니다. @jnothman에 ping
https://github.com/jnothman @amueller https://github.com/amueller
@GaelVaroquaux https://github.com/GaelVaroquaux 에 따르면 gitter

8425 https://github.com/scikit-learn/scikit-learn/issues/8425 가 아닙니다

분류기의 결정 영역과 관련이 있습니까?
나는 plot_tree와 plot_partial_dependence를 sklearn.plot으로 옮기고
해결 #13335 https://github.com/scikit-learn/scikit-learn/issues/13335
0.21에서 (결정 경계를 그리는 함수를 도입할 수도 있습니다.
초보자 IMO에게는 중요하고 쉽지 않습니다. 다른 사람들은 어떻게 생각합니까?

sklearn.plot의 범위를 제어하는 ​​데 도움이 되도록 플로팅만 수행할 것을 제안합니다.
그림 수준이 아니라 축 수준에서. 사용자는 축을 전달할 것입니다.
키워드로. 편의상 좌표축의 기본값은 없음입니다. 에서만
이 경우 플로팅 기능은 플로팅할 축/그림을 생성합니다.

좋은 생각이지만 기존 기능(plot_tree 및
plot_partial_dependence), 맞습니까?

—
당신이 언급되었기 때문에 이것을 받는 것입니다.
이 이메일에 직접 답장하고 GitHub에서 확인하세요.
https://github.com/scikit-learn/scikit-learn/issues/13448#issuecomment-472914237 ,
또는 스레드 음소거
https://github.com/notifications/unsubscribe-auth/AAEz6y4ZcL4WftNY92wCoz19vqtXL9Njks5vWmiCgaJpZM4b0Oiz
.

좋은 생각이지만 기존 함수(plot_tree 및 plot_partial_dependence)와 일치하지 않습니다. 맞죠?

@qinhanmin2014 plot_tree 는 수치를 조정하지 않는 것 같습니다. plot_partial_dependence 는 features 기반으로 여러 플롯을 만듭니다. 그러나 축 수준 플롯으로 리팩토링할 수 있습니다. 사용자는 plot_partial_dependence 여러 번 호출하여 다른 축(및 기능)을 제공해야 합니다.

축으로 제한하려는 이유를 제시할 수 있습니까?

@jnothman Seaborn에는 "그림 수준" 플롯과 "축 수준" 플롯을 명확하게 구분하는 문서 가 있습니다. scikit-learn에서 이 동작을 적절하게 문서화할 수 있다면 이러한 "그림 수준" 플롯을 가질 수 있습니다. "피규어 수준" 플롯에 대한 가장 큰 우려는 유지 관리 및 테스트가 더 어렵다는 것입니다. 한 축의 요소가 다른 축과 겹칠 수 있습니다. 그러나 중첩이 덜 자주 발생하는 방식으로 그림을 구조화하여 이 문제를 해결할 수 있습니다.

테스트 측면에서 우리는 seaborn 방식으로 직접 matplotlib 개체를 테스트하거나 픽셀 수준 테스트를 수행하는 yellowbrick 방식으로 테스트할 수 있습니다. 나는 matplotlib 객체 테스트를 선호하는 경향이 있습니다.

내 2센트:

• 공통 서브패키지 또는 각 서브패키지의 모듈(sklearn.linear_models.plot, sklearn.ensemble.plot)에서 matplotlib에 액세스하는 기능을 포함하는 경우 +1.

• @thomasjpfan이 언급했듯이 축에만 액세스하면 테스트가 더 쉽습니다.

  또한 오래 전에 생태계에서 다른 플로팅 백엔드에 호환성을 위해 "축"과 같은 개체를 제공하는 것에 대한 논의가 있었습니다. 어디로 갔는지 모르겠습니다. 빠른 구글링은 많은 것을 보여주지 않습니다. 가장 가까운 것은 실제로 이 제한이 필요하지 않은 plotly.tools.mpl_to_plotly이므로 그 주장은 헛된 것이라고 생각합니다.

초보자에게 중요하고 쉽지 않기 때문에 결정 경계를 플롯하는 기능을 도입할 수 있습니다. IMO

동의하지만 사용자에게 결정 경계와 같은 결과를 표시하는 방법을 보여주는 것이 예제의 목표 중 하나라고 생각합니다.

결과의 빠른 첫 번째 플롯을 원할 경우 플롯 기능은 특히 나무 플롯과 같은 복잡한 플롯의 경우 훌륭하지만 필요에 따라 플롯을 조정하는 것을 매우 자주 좋아하므로 기존 예제와 코드를 수정합니다.

모듈 이름과 관련하여 IMO inspect 는 plot 보다 다재다능합니다.

• 일종의 검사 가 아닌 플롯은 생각할 수 없습니다.
• #12599(부분 종속성)은 이미 inspect 도입

IMO 검사는 플롯보다 다재다능합니다.

강력한 의견이 없습니다. 두 이름 모두에 +1을 투표합니다. 어쩌면 줄거리가 더 간단합니까?

다시 0.21 이전에 새 모듈을 만들고 plot_tree 및 plot_partial_dependence를 이동하는 데 관심이 있습니다. 이상적으로는 API에 대한 합의에도 도달해야 합니다(예: 축 수준/그림 수준).

inspect 에 찬성하는 다른 점:

옵션으로 플로팅을 제공하는 검사 도구가 필요할 수 있습니다. 예를 들어, 나무의 특성(노드, 잎, 분할점 등의 수)을 인쇄하고 선택적으로 matplotlib로 플롯합니다.

제안된 대로 그림 대신 축을 사용하는 것이 좋습니다(한숨, PDP를 다시 변경해야 함). 우리가 지원하고 테스트하기가 더 쉽습니다. 사용자에게는 조금 더 많은 작업이 필요하지만 더 많은 제어가 가능합니다.

IMO 검사는 플롯보다 다재다능합니다.

강력한 의견이 없습니다. 두 이름 모두에 +1을 투표합니다. 어쩌면 줄거리가 더 간단합니까?

"inspect"는 Python에서 로드됩니다(표준 라이브러리의 모듈입니다). NS
같은 이름을 사용하는 것을 피할 것입니다.

다시 0.21 이전에 새 모듈을 만들고 plot_tree 및 plot_partial_dependence를 이동하는 데 관심이 있습니다. 이상적으로는 API에 대한 합의에도 도달해야 합니다(예: 축 수준/그림 수준).

이것은 0.21을 지연해서는 안됩니다. 우리의 목표는 조기에 출시하는 것입니다.
다시 일찍 출시합니다.

"inspect"는 Python에서 로드됩니다(표준 라이브러리의 모듈입니다). NS
같은 이름을 사용하는 것을 피할 것입니다.

model_inspection 제안합니다. 우리의 model_selection 이름과 잘 어울립니다.

모델이 아닌 것을 검사하고 싶을 수도 있습니다(인코더, 전처리기, 그리드 검색 결과...)

inspection 그럼?

그런 것들이 모델이기도 해요 :)

각 하위 패키지에 대한 공개 플롯 하위 모듈에 대한 Gael의 제안은 가치가 있습니다.
고려하면.

FWIW, 나는 또한 plot inspect 선호합니다. 왜냐하면 대부분의 사용자가 그것을 찾는 것이 더 직관적이기 때문입니다. 사람들은 모델을 _검사_하기보다 모델을 _플로팅_하려고 할 가능성이 더 큽니다(예를 들어 검색 엔진에서 검색하거나 IDE에서 가능한 자동 완성 옵션을 볼 때).

각 하위 패키지에 대한 공개 플롯 하위 모듈에 대한 Gael의 제안은 고려할 가치가 있습니다.

그렇다면 plot_decision_boundary 는 어디에 넣어야 할까요?

# 12599 와 관련하여 partial_dependence 가 새 모듈에 있어야 하는지 의심됩니다. (즉, ensemble.partial_dependence + plot.plot_partial_dependence)

그렇다면 plot_decision_boundary를 어디에 넣을까요?

sklearn.plot?

이 솔루션에 대해 너무 세게 밀어붙이고 싶지 않습니다. 그러나 나는 동의합니다.
"플롯"이 최종 사용자에게 더 쉽게 발견될 수 있다는 느낌.

# 12599 와 관련하여

무슨 말씀이신지 이해가 되지 않습니다. # 12599는 deprecates ensemble.partial_dependence 찬성 inspect.partial_dependence (물론 inspect 이 논의에 따라 변경 될 수는있다). API는 또한 두 구현 간에 다릅니다.

나는 plot 괜찮습니다. 최종 검사 모듈과 잠재적으로 높은 중복 가능성이 걱정되지만 더 이상 푸시하지는 않겠습니다. :)

각 하위 패키지의 공개 플롯 하위 모듈은 고려할 가치가 있습니다.

그러나 지금까지 제안된 모든 플로팅 도구(PDP, 보정, 혼동 행렬 및 결정 영역)는 단일 모듈에만 국한되지 않습니다.

무슨 말씀이신지 이해가 되지 않습니다. #12599는 inspect.partial_dependence를 위해 ensemble.partial_dependence를 더 이상 사용하지 않습니다(물론 inspect는 이 논의에 따라 변경될 수 있습니다). API는 또한 두 구현 간에 다릅니다.

죄송합니다. 해당 PR을 자세히 살펴보지 않았습니다. 아마도 inspect.partial_dependence + plot.plot_partial_dependence ?

아마도 inspect.partial_dependence + plot.plot_partial_dependence?

나는 값을 계산하는 것과 플로팅하는 것을 명확히 구분하는 것을 좋아합니다.
분리와 같은 모델/뷰이며,
재사용 성.

Gaël은 이전에 sklearn.inspect.partial_dependence를 제안하지 않았으며
sklearn.inspect.plot.plot_partial_dependence (다른 이름으로 대체
적절한 경우 검사를 위해)? 난 상관없어.

Gaël은 이전에 sklearn.inspect.partial_dependence 및 sklearn.inspect.plot.plot_partial_dependence를 제안하지 않았습니까(적절한 경우 검사를 다른 이름으로 대체)?

예, 하지만 plot_decision_boundary 어디에 넣어야 하는지 물었고 마음이 바뀌었나요?

참고로 위의 권장 사항에 따라 PDP PR https://github.com/scikit-learn/scikit-learn/pull/12599를 업데이트했습니다.

• partial_dependence 은(는) sklearn.model_inspection
• plot_partial_dependence 은(는) skearn.plot

문서는 https://53182-843222-gh.circle-artifacts.com/0/doc/_changed.html에 있습니다.

사용자 가이드에는 현재 plot 모듈만 포함되어 있습니다. 제약 조건/동작이 plot_partial_dependence 와 동일하기 때문에 model_inspection.partial_dependence 에 대해서만 이야기하는 사용자 가이드 섹션을 갖는 것이 합리적이지 않다고 생각합니다.

(이것이 내가 걱정했던 종류의 중첩입니다)

물론 partial_dependence 와 plot_partial_dependence 대해 별도의 사용자 가이드가 있는 것이 더 낫다고 생각하시면 그렇게 하겠습니다.

참고로 위의 권장 사항에 따라 PDP PR #12599를 업데이트했습니다.
partial_dependence는 sklearn.model_inspection에 있습니다.
plot_partial_dependence는 searn.plot에 있습니다.

+1

사용자 가이드에는 현재 플롯 모듈만 포함되어 있습니다. model_inspection.partial_dependence의 제약 조건/동작이 plot_partial_dependence의 것과 동일하기 때문에 model_inspection.partial_dependence에 대해서만 이야기하는 사용자 가이드 섹션을 갖는 것은 의미가 없다고 생각합니다.

+1

그래서 우리는 sklearn.plot이라는 이름을 사용하기로 결정했습니다.

루트 네임스페이스에 모든 사람을 넣는 것을 피했을 때 sklearn에서 종속성을 가져오는 sklearn.plot이 약간 이상하다는 것을 알았습니다.

sklearn.model_inspection.plot 선호하고 거기에 plot_partial_dependence() 넣으시겠습니까?

plot 모듈이 없습니다. 괜찮습니다.

나는 그것을 선호할 것이라고 생각합니다. 일반화하는 방법은 아직 확실하지 않습니다.

나는 그것을 선호할 것이라고 생각합니다. 일반화하는 방법은 아직 확실하지 않습니다.

plot_decision_boundary 와 같은 것을 넣을 적절한 위치를 찾을 수 있는 한 sklearn.XXX.plot +1 투표하겠습니다.

잠이 필요한가요? 우리는 많은 진전을 보이지 않는 것 같습니다

EDIT uh, 졸려요. Joel의 댓글을 읽고 싶지 않은 것 같아서 죄송합니다.

잠이 필요한가요? 우리는 많은 진전을 보이지 않는 것 같습니다

나는 어느 솔루션이든 괜찮습니다 ( sklearn.plot / sklearn.XXX.plot ). IMO의 주요 문제는 sklearn.XXX.plot 사용하는 경우 plot_decision_boundary 와 같은 것을 어디에 넣어야 하는지 아무도 알려주지 않는다는 것입니다. :)

sklearn.model_inspection.plot ?

sklearn.model_inspection.plot?

흥미로운 아이디어입니다. +1에 투표하겠습니다. 아마도 모든 것을 sklearn.plot에 던지는 것은 좋지 않을 것입니다(https://github.com/rasbt/mlxtend는 모든 플로팅 기능을 단일 모듈에 넣습니다).

그래서 우리는 from sklearn.XXX.plot import plot_XXX 지원할 것입니까? from sklearn.XXX import plot_XXX 합니까?

가져오기에서 .plot의 명시적 요구 사항이 뭔가 있다고 생각합니다.
다른 사람들이 여기에서 찾았습니다.

sklearn.plot.XXX import plot_YYY에서 반전된 것도 있습니다.

가져오기에서 .plot의 명시적인 요구 사항은 여기에서 다른 사람들이 추구한 것이라고 생각합니다.

그래서 우리는 sklearn.XXX.plot ( sklearn.XXX.plot import plot_XXX 에서만 지원)를 사용하기로 합의했습니다.

sklearn.plot.XXX import plot_YYY에서 반전된 것도 있습니다.

이해할 수 없습니다.

sklearn.plot.XXX import plot_YYY에서 반전된 것도 있습니다.

나는 우리가 가질 수 있다는 것을 의미했습니다.
sklearn.plot.model_inspection.plot_partial_dependence 대신
sklearn.model_inspection.plot.plot_partial_dependence. 확실하지 않은 경우
모든 이점/명확성을 제공합니다.

나는 우리가 가질 수 있다는 것을 의미했습니다.
sklearn.plot.model_inspection.plot_partial_dependence 대신
sklearn.model_inspection.plot.plot_partial_dependence. 확실하지 않은 경우
모든 이점/명확성을 제공합니다.

이제 3가지 옵션이 있습니다.
(1) sklearn.plot.plot_YYY(예: sklearn.plot.plot_tree)
(2) sklearn.plot.XXX.plot_YYY(예: sklearn.plot.tree.plot_tree)
(3) sklearn.XXX.plot.plot_YYY(예: sklearn.tree.plot.plot_tree, sklearn.XXX에서 plot_YYY 가져오기를 지원하지 않음)
이 모든 솔루션에 대해 +1에 투표하겠습니다.
나는 sklearn.tree.plot_tree를 더 이상 사용하지 않도록 0.21 이전에 결정을 내리는 것을 선호합니다.

수면이 필요한지 확실하지 않지만 의견을 요청할 가치가 있습니다.
메일링 리스트

잠이 필요한지 확실하지 않지만 메일링 리스트에 의견을 초대할 가치가 있을 수 있습니다.

+1. 그것은 SLEP의 기준에 속하지 않는 것 같습니다.

메일링 리스트에서 말했듯이, 우리는 "작업이 일어나는 곳"이나 인터페이스가 어떨 것인지도 정말로 고려해야 한다고 생각합니다. 부분 의존성에 대해서는 이미 상당히 불분명했습니다.
해야 plot_partial_dependence 에 전화 partial_dependence 또는 출력을 얻을 partial_dependence 입력 등을? 이 질문은 기본적으로 모든 플롯 기능에 대한 유효한 질문입니다.
@NicolasHug 와 논의한 주요 고려 사항은 plot_X 호출 compute_X 가 사용자에게 편리하다는 것입니다. 줄거리가 마음에 들지 않고 무언가를 변경하려면 compute_X 다시 해야 하며 이는 잠재적으로 낭비입니다.

그래서 우리는

• 항상 compute_X 의 결과를 가져옵니다. 단점: 불편하고 오류가 발생하기 쉽습니다. Precision_recall_curve에서 정밀도, 재현율 및 임계값의 순서는 무엇입니까?

• 항상 compute_X 입력을 받고 plot_X 에서 compute_X 를 호출합니다. 단점: 모든 플롯에 대해 다시 계산해야 합니다.

• 그래서, 양쪽을 허용 plot_X 받는 입력 중 하나를 취할 수 compute_X 및 통화 compute_X 또는 출력 취할 compute_X 사용자가 이미 생성 된 경우. 이는 서명을 복잡하게 만드는 단점이 있습니다(및 문서화를 복잡하게 만들 수 있음). 또한 사용자가 plot_X 호출하여 내부적으로 compute_X 를 수행한 다음 다른 플롯을 원하면 다시 compute_X 해야 합니다. 따라서 plot_X 를 처음 호출 하기 전에 둘 이상의 플롯을 원한다는 것을 예상해야 합니다. 또는 plot_X 호출할 때 compute_X 의 결과를 노출해야 하지만 객체 지향 설계 없이 이를 수행하는 방법이 불분명합니다.

• compute_X가 얼마나 비싼지에 따라 결정을 내립니다. 혼동 행렬 및 부분 의존도 및 보정 플롯의 경우 재계산 비용에 대해서는 신경 쓰지 않지만 부분 의존도 플롯의 경우에는 신경 쓰지 않습니다. 단점: 일관성 없는 인터페이스.

@NicolasHug 와 논의한 주요 고려 사항은 사용자가 한 번만 플롯하기를 원하는 한 plot_X에서 compute_X를 호출하는 것이 사용자에게 편리하다는 것입니다. 플롯이 마음에 들지 않고 무언가를 변경하려는 경우 다시 compute_X를 수행해야 하며 이는 잠재적으로 낭비입니다.

+1000. 연구 코드에서 볼 수 있는 일반적인 문제입니다.

디자인 문제부터 MVC 분리(약간 현학적,
죄송 해요).

당신이 제안하는 다양한 솔루션에서
접근 방식으로 적합 모델? 의 문제를 완화할 수 있다고 생각합니다.
매개변수의 순서를 기억합니다. 하지만 아마도 추가로
문제.

장착된 모델이 무엇을 의미하는지 잘 모르겠습니다. 종종 계산 결과가 피팅된 모델이 아닙니다. 모든 계산 결과에 대해 개체를 정의할 수 있으므로 partial_dependence 는 PartialDependence 개체를 반환합니다. 또는 무리. 그러나 추정기를 반환하지 않습니다.

오, 내가 이것을 지금 꺼내는 이유: 이 결정 없이는 사용자 코드가 어떻게 생겼는지 전혀 모르고, 예제를 작성할 수 없는 상태에서 이름 지정/API 결정을 내리는 것을 좋아하지 않습니다. ;)

객체를 반환하는 것은 꽤 비 학습과 비슷할 것입니다. 하지만 위치 문제를 해결할 수 있습니다. plot 메서드가 있을 수 있습니다. ;)

종종 계산 결과가 피팅된 모델이 아닙니다. 모든 계산 결과에 대해 객체를 정의할 수 있으므로 partial_dependence가 PartialDependence 객체를 반환하도록 할 수 있습니다. 또는 무리. 그러나 추정기를 반환하지 않습니다.

요점을 알았어.

한 가지 옵션(가장 좋은 것은 아님)은 모든
계산 함수는 명명된 튜플과 모든 해당 계산을 반환합니다.
함수는 이것을 취합니다. 현대와 어느 정도 일치할 것이다.
Python 표준 라이브러리에 추가되었습니다.

그리고 나는 예제를 적을 수 없이 명명/API 결정을 하는 것을 좋아하지 않습니다 ;)

나는 당신과 같습니다.

따라서 계산 비용이 많이 든다면 함수 외부에서 계산을 수행할 수 있습니다. 그렇다면 객체를 반환하고 플로팅 함수는 이 객체를 입력으로 사용합니다. 맞습니까? +1에 투표하겠습니다.

그리고 이것을 논의하기 위해 또 다른 문제가 필요할 수도 있습니다. :)

@GaelVaroquaux 제안의 이점은 튜플 압축 해제로 인해 사용자가 코드를 변경할 필요가 없다는 것입니다. 그러나 confusion_matrix 와 같이 단일 반환된 객체가 있는 경우에는 작동하지 않습니다. 튜플이 꼭 필요한 것은 아니지만 인터페이스가 약간 일관성이 없게 됩니다.

@qinhanmin2014 임의의 개체를 반환하는 경우 플로팅 도우미를 만들 때마다 함수의 반환 유형을 더 이상 사용하지

한 가지 아이디어가 있었고 두 번째 더 나은 아이디어가 있었습니다.
1) 기존 함수를 호출하고 객체를 저장하며 다음과 같은 플롯 메서드가 있는 두 번째 객체 지향 인터페이스를 만듭니다.

cm = ConfusionMatrix(y, y_pred)
cm.plot()

그렇게하면 문제가 해결되지만 일부 인터페이스가 복제되고 약간 명확하지 않습니다. 실제로 동일한 원리가 더 직관적이라고 생각되는 방식으로 수행될 수 있습니다.
2) plot_ 함수가 항상 작업을 수행하도록 하고, 결과를 사용하여 결과를 저장하고 플롯하는 객체를 인스턴스화합니다.

plot_confusion_matrix(y, y_pred)

따라서 결과를 저장하고 plot 메서드가 있는 ConfusionMatrixPlotter 개체를 플롯하고 반환합니다.
따라서 한 번만 플로팅하는 간단한 경우에는 단일 함수 호출일 뿐입니다. 그런 다음 결과가 다른 작업을 수행하도록 하려면 개체에 저장됩니다. 다시 플롯하려면 개체에 대해 plot 를 다시 호출하면 됩니다. 이미 결과를 계산한 다음 플롯하기로 결정했다면 ConfusionMatrixPlotter 직접 인스턴스화할 수 있습니다.

이것은 더 복잡한 사용 사례에 대한 추가 클래스를 노출하지만 모든 상황에 대한 좋은 답을 가지고 있기 때문에 합리적인 절충안이라고 생각합니다.

따라서 결과를 저장하고 플롯 메서드가 있는 ConfusionMatrixPlotter 개체를 플롯하고 반환합니다.

사용자가 동일한 데이터를 다시 플롯해야 하는 이유는 무엇입니까? @amueller 형식을 조정하시겠습니까?

@qinhanmin2014 예, 글꼴을 더 크게 만들고, 색상을 변경하고, 같은 플롯에서 다른 것과 함께 플롯하고, 레이블을 추가하고, ...

@qinhanmin2014 예, 글꼴을 더 크게 만들고, 색상을 변경하고, 같은 플롯에서 다른 것과 함께 플롯하고, 레이블을 추가하고, ...

여기에서 이러한 형식 문제를 고려할 가치가 있는지 의심스럽습니다. 사용자는 데이터 세트의 작은 부분을 시작할 수 있습니까?

그리고 @amueller 우리는 축 전달을 지원할 것이므로 사용자가 플로팅 기능을 호출한 후 플롯을 쉽게 조정할 수 있습니까?

@qinhanmin2014 아니요, 많은 것들이 나중에 쉽게 변경할 수 없으며 모든 형식에 대해 스스로 생각할 필요가 없지만 사용자가 다시 무언가를 그릴 수 있도록 해야 합니다. 기본적으로 플롯을 할 때마다 발생합니다. 그리고 플롯을 하고 싶을 때마다 데이터 세트를 서브샘플링해야 하는 것은 약간 성가신 일입니다. 나중에 마음이 바뀌더라도 다시 계산해야 합니다.
기본적으로 요점은 일반적으로 탐색적 분석에서 원하는 것을 정확히 예측할 수 없으며 시각화를 변경하기 위해 모든 것을 다시 계산해야 하는 것은 좋지 않다는 것입니다.

@qinhanmin2014 아니요, 많은 것들이 나중에 쉽게 변경할 수 없으며 모든 형식에 대해 스스로 생각할 필요가 없지만 사용자가 다시 무언가를 그릴 수 있도록 해야 합니다. 기본적으로 플롯을 할 때마다 발생합니다. 그리고 플롯을 하고 싶을 때마다 데이터 세트를 서브샘플링해야 하는 것은 약간 성가신 일입니다. 나중에 마음이 바뀌더라도 다시 계산해야 합니다.

예, 유용할 수 있다는 것을 압니다. 하지만 여기서 주요 문제는 이 기능을 지원하는 명확한 방법이 없고 대부분의 플로팅 기능에 많은 계산이 필요하지 않다는 것입니다.

나는 우리가 이것을 조금 더 근거를 가지고 논의하는 것을 좋아하지만, 나는
여전히 우리가 가져오기에 플롯이 필요하다는 것을 완전히 확신하지 못하고 있습니다.
전혀 경로. 결국, 우리는 plot_을 접두사로 사용하는 것 같습니다.
기능. 문제는 plot_tree 관련 : 왜해야
다른 내보내기 및 텍스트 시각화 코드와 분리되어 있습니까?

@qinhanmin2014 "아직 좋은 API가 없다"는 것이 좋은 이유는 아니라고 생각합니다.
그리고 부분 의존성, 순열 중요도, 학습 곡선, 검증 곡선 및 GridSearchCV 및 RandomizedSearchCV의 결과는 모두 많은 계산이 필요한 일반적인 예입니다. gridsearchcv 및 randomizedsearchcv의 경우 명백한 것은 개체 또는 cv_results_ 를 전달하는 것이지만 이러한 경우 플로팅 함수 내부에서 작업을 수행하는 것은 무의미해 보입니다. 나는 학습 곡선과 검증 곡선 tbh에 대해 완전히 확신하지 못합니다.

@jnothman 내 생각에 @GaelVaroquaux 는 matplotlib 종속성을 모듈에 국한 였습니까 ? 나는 아직 이것에 대해 매우 일관된 생각을 갖고 있지 않습니다.

그리고 부분 의존성, 순열 중요도, 학습 곡선, 검증 곡선 및 GridSearchCV 및 RandomizedSearchCV의 결과는 모두 많은 계산이 필요한 일반적인 예입니다.

고마워, 이제 내가 틀렸다는 것을 깨달았다 :)
사용자에게 다시 계산하지 않고 플롯할 수 있는 방법을 제공하는 것이 왜 중요한지 여전히 이해할 수 없습니다. 하지만 다른 사람들이 그렇게 생각하고 좋은 방법이 있다면 +1에 투표하겠습니다.

나는 우리가 이것을 조금 더 근거를 가지고 논의하는 것을 좋아하지만, 나는
여전히 우리가 가져오기에 플롯이 필요하다는 것을 완전히 확신하지 못하고 있습니다.
전혀 경로. 결국, 우리는 plot_을 접두사로 사용하는 것 같습니다.
기능. 문제는 plot_tree 관련 : 왜해야
다른 내보내기 및 텍스트 시각화 코드와 분리되어 있습니까?

네 이것도 옵션이 될 수 있습니다. 그렇다면 plot_ 시작하는 모든 함수에는 matplotlib가 필요하다고 언급할 수 있습니다. 이 옵션의 또 다른 장점은 기존 기능을 이동할 필요가 없다는 것입니다.

이 논의를 진행하면서 sklearn.plot 모듈을 추가 하지 않는다는 데 동의하고 matplotlib 요구 사항을 알리기 위해 plot_ 접두사를 사용합니다.

예를 들어 https://github.com/scikit-learn/scikit-learn/pull/12599 에서 partial_dependence 및 plot_partial_dependence 는 inspection 배치됩니다.

좋아, 다음 날에 누군가가 이에 동의하지 않는 한, 나는 PDP PR을 업데이트하고:

• partial_dependence 와 plot_partial_dependence 를 모두 sklearn.inspection 넣습니다.
• plot_partial_dependence 는 fig 및 ax 개체를 속성으로 사용하여 무리를 반환합니다(지금은 튜플로 반환). 이렇게 하면 https://github.com/scikit-learn/scikit-learn/issues/13448#issuecomment -479512520에서 두 번째 옵션을 구현할 때 이 두 기능을 이전 버전과 호환되도록 유지할 수 있습니다.

여기서 최종 결정을 내릴 수 있습니까?
@jnothman , @NicolasHug 및 나(내가 틀렸다면 사과한다)가 동의한 제안: sklearn.XXX.plot_YYY(sklearn.XXX import plot_YYY의 지원). plot_으로 시작하는 모든 함수에는 matplotlib가 필요합니다.
이 제안의 주요 이점은 기존 기능을 이동할 필요가 없다는 것입니다.

그 위에 잠들면 설명하기에 충분히 간단하고 서로 다른 모듈 간에 공유 플로팅 API를 생각하는 어려움을 피할 수 있다고 생각합니다.

네, 그렇게 합시다. 더 도움이 되는 도우미 기능을 만드세요.
가져오기 오류

참고로 저는 #12599에 sklearn.utils.check_matplotlib_support 하고 있습니다.

def check_matplotlib_support(caller_name):
    try:
        import matplotlib
    except ImportError as e:
        raise ImportError(
            "{} requires matplotlib. You can install matplotlib with "
            "`pip install matplotlib`".format(caller_name)
        ) from e

참고로 #12599에 sklearn.utils.check_matplotlib_support를 추가하고 있습니다.

대단해! 감사 해요.