Scikit-learn: Сделайте описания random_state более информативными и обратитесь к Глоссарию

Созданный на 29 янв. 2018 · 60Комментарии · Источник: scikit-learn/scikit-learn

Недавно мы добавили в нашу документацию Глоссарий , в котором, помимо прочего, описаны общие параметры. Теперь мы должны заменить описания параметров random_state чтобы сделать их более краткими и информативными (см. # 10415). Например, вместо

    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`.

И в KMeans, и в MiniBatchKMeans мы можем иметь:

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>`.

Следовательно, описание должно быть сосредоточено на том, как random_state влияет на алгоритм.

Участники, заинтересованные в внесении этого изменения, сначала должны брать по одному модулю за раз.

Список оценщиков, которые необходимо изменить, следующий:

Список файлов для изменения с помощью скрипта 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 открытых PR
[x] [sklearn / utils / extmath.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/utils/extmath.py) - 185 , 297
[х] [sklearn / ансамбль / _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 / декомпозиция / _truncated_svd.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_truncated_svd.py) - 59 открытых PR
[x] [sklearn / декомпозиция / _kernel_pca.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_kernel_pca.py) - 79 открытых PR
[x] [sklearn / разложение / _dict_learning.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_dict_learning.py) - 364 , 485 , 692 , 1135 , 1325 Открытый PR
[x] [sklearn / разложение / _fastica.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_fastica.py) - 205 , 344 Открытый PR
[x] [sklearn / разложение / _nmf.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_nmf.py) - 290 , 475 , 966 , 1159 Открыть PR
[x] [sklearn / декомпозиция / _pca.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_pca.py) - 192 открытых PR
[x] [sklearn / разложение / _sparse_pca.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_sparse_pca.py) - 82 , 285 Открытый PR
[x] [sklearn / разложение / _lda.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_lda.py) - 60 , 79 , 225 Открытый PR
[x] [sklearn / Decposition / _factor_analysis.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/_factor_analysis.py) - 92 Открытый 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 Открытый 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 Открытый PR
[x] [sklearn / linear_model / _sag.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_sag.py) - 154 открытых PR
[x] [sklearn / linear_model / _perceptron.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_perceptron.py) - 55 открытых 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 Открытый 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 Открыть 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 Открытый PR
[x] [sklearn / linear_model / _theil_sen.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_theil_sen.py) - 243 Открытый PR
[x] [sklearn / linear_model / _ridge.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/_ridge.py) - 325 , 693 , 853 Открытый PR
[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 Открыть PR
[x] [sklearn / svm / _base.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/svm/_base.py) - 853 Открытый 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 / manifest / _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 / Mix / _bayesian_mixture.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/mixture/_bayesian_mixture.py) - 166
[x] [sklearn / mix / _base.py] (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/mixture/_base.py) - 139
[x] [sklearn / mix / _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 Открытый PR
[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

Источник

jnothman

Самый полезный комментарий

Мы хотим работать над sklearn / preprocessing / _data.py - 2178, 2607
@rachelcjordan и @ fabi-cast

wimlds #SciKitLearnSprint

Olks 25 янв. 2020

👍2

Все 60 Комментарий

Привет @jnothman , Могу я заняться этим вопросом? Спасибо

aby0 29 янв. 2018

Получите модуль / подпакет и вперед ...

30 января 2018 года в 00:24 Сомя Ананд [email protected] написал:

Привет, @jnothman https://github.com/jnothman , Могу ли я решить эту проблему? Спасибо
-
Вы получаете это, потому что вас упомянули.
Ответьте на это письмо напрямую, просмотрите его на GitHub
https://github.com/scikit-learn/scikit-learn/issues/10548#issuecomment-361243951 ,
или отключить поток
https://github.com/notifications/unsubscribe-auth/AAEz62ie2pMFVg7uM6_MVnmWKRX-efgHks5tPcaHgaJpZM4Rwij3
.

jnothman 29 янв. 2018

@jnothman Прошу прощения за свою наивность, но не могли бы вы

aby0 29 янв. 2018

Я думаю, что @jnothman означает просто начать с одного файла, например sklearn / cluster / k_means_.py, обновить строку документации random_state как в верхнем посте, и открыть PR.

lesteve 29 янв. 2018

субпакет - это что-то вроде sklearn.cluster

jnothman 29 янв. 2018

Спасибо. Сделаю это и открою PR.

aby0 30 янв. 2018

Привет! @jnothman

Вы также хотели бы заменить следующие комментарии, как показано в grid_search.py? У них есть дополнительная линия по сравнению с той, которую вы разделяете.

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 30 янв. 2018

Могу взять grid_search.py и k_means.py (KMeans).

shivamriky 30 янв. 2018

оставьте grid_search.py в покое. это устарело. Идея состоит в том, чтобы минимизировать
содержание, которое повторяется и доступно в глоссарии, чтобы мы могли
дать пользователям наиболее информативное описание роли random_state в
конкретный оценщик.

jnothman 30 янв. 2018

Спасибо @jnothman. Нужно ли мне разбираться в этих алгоритмах, прежде чем я смогу заменить эту информацию random_state?

shivamriky 31 янв. 2018

Вам нужно будет разбираться в алгоритмах в целом, но не во всех деталях.
их реализация. Вам нужно будет найти, где random_state
используется, если рандомизация в алгоритме не совсем очевидна.
В некоторых случаях может оказаться целесообразным даже не указывать более подробную информацию, чем
просто ссылка на глоссарий; посмотрим, как это пойдет.

jnothman 31 янв. 2018

Хорошо, спасибо. Я начну медленно перебирать алгоритмы.

С уважением,
Шивам Растоги

shivamriky 3 февр. 2018

Я открыл запрос на перенос №10614

shivamriky 10 февр. 2018

Поскольку @ aby0 еще не потребовал модуль sklearn.cluster. Я хочу заявить права на весь модуль. Пожалуйста, дайте мне знать, могу ли я поработать над этим или мне нужно поработать над чем-то другим.

shivamriky 10 февр. 2018

Есть обновления, ребята? Для нас это долгий отпуск, поэтому дайте мне знать, смогу ли я его выбрать.

shivamriky 15 февр. 2018

Я возьму модуль datasets так как я уже ковыряюсь в строках документации для # 10731.

richford 28 февр. 2018

Я требую модуль linear_model . ~~скоро поднимет пиар.~~ # 11900 поднят.

Требование модуля decomposition следующее.

SirR4T 23 авг. 2018

Контрольный список модулей, где это необходимо сделать:

[ ] Разработчики
[] ковариация
[x] разложение
[] dummy.py
[] ансамбль
[] feature_extraction
[] feature_selection
[] gaussian_process
[] kernel_approximation.py
[x] linear_model через # 11900
[ ] многообразие
[] показатели
[] смесь
[] model_selection
[] multiclass.py
[] multioutput.py
[] соседи
[ ] нейронная сеть
[] предварительная обработка
[] random_projection.py
[] svm
[ ] дерево
[] утилиты

SirR4T 23 авг. 2018

У нас возникли проблемы с достижением консенсуса о том, как найти правильный баланс
здесь, iirc

jnothman 23 авг. 2018

Так что обратите внимание на предыдущие PR, объединенные выше

jnothman 23 авг. 2018

@jnothman спасибо! обновит PR, чтобы указать воспроизводимость при передаче int.

SirR4T 23 авг. 2018

готовы заняться всеми другими модулями в другом PR, как только они будут рассмотрены ...

SirR4T 25 авг. 2018

Я утверждаю ковариантность.

BlackTeaAndCoffee 1 сент. 2018

@BlackTeaAndCoffee, пожалуйста, имейте в виду, что формат строки документа еще не доработан, ведутся обсуждения других PR, перечисленных здесь. Так что ты тоже можешь захотеть взглянуть.

SirR4T 1 сент. 2018

Я требую feature_extraction

erodrago 22 июн. 2019

@jnothman , @NicolasHug , только что обнаружил # 15222 и ряд связанных с ним PR, которые я не учел при подведении итогов ... некоторые из них никогда не рассматривались ... :(
Чтобы прояснить ситуацию для спринтов, мне интересно, можем ли мы закрыть одну из этих двух проблем: если да, то какую? Как я могу избежать дублирования информации. Спасибо за ваше сотрудничество.

cmarmo 8 янв. 2020

Я не знал об этой проблеме (должен был проверить получше), я счастлив закрыть https://github.com/scikit-learn/scikit-learn/issues/15222 в пользу этого

NicolasHug 8 янв. 2020

После комментария @jnothman, возможно, эта проблема заслуживает ярлыка «Умеренный»?

cmarmo 9 янв. 2020

Мы хотим работать над ensemble / _hist_gradient_boosting / binning.
@mojc и я.

Wimlds

Malesche 25 янв. 2020

@anaisabeldhero и я хотим поработать над манифольдом / *
# поля #SciKitLearnSprint

daphn3k 25 янв. 2020

@ daphn3k и я буду работать над sklearn / gaussian_process /

wimlds #SciKitLearnSprint

anaisabeldhero 25 янв. 2020

Мы хотим работать над sklearn / preprocessing / _data.py - 2178, 2607
@rachelcjordan и @ fabi-cast

wimlds #SciKitLearnSprint

Olks 25 янв. 2020

👍2

Я и @Malesche хотим взять sklearn / Inspection / _permutation_importance.py

WiMLDS

mojc 25 янв. 2020

👍1

требуя файл sklearn / metrics / cluster / _unsupervised.py! #wimlds

stareh 25 янв. 2020

@ daphn3k, и я также принимаю ковариацию / * и соседи / * #wimlds

anaisabeldhero 25 янв. 2020

требовать:
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 25 янв. 2020

PSA: используйте исходное предложение

Передайте int для воспроизводимых результатов при нескольких вызовах функций.

вместо того, что я сейчас вижу в PR:

Используйте int, чтобы сделать случайность детерминированной

что неверно, поскольку ГСЧ всегда детерминирован независимо от того, что передается

CC @adrinjalali, раз

NicolasHug 25 янв. 2020

👍1

работа над нейронной сетью и смесью

anaisabeldhero 25 янв. 2020

PSA: используйте исходное предложение
Передайте int для воспроизводимых результатов при нескольких вызовах функций.
вместо того, что я сейчас вижу в PR:
Используйте int, чтобы сделать случайность детерминированной
что неверно, поскольку ГСЧ всегда детерминирован независимо от того, что передается
CC @adrinjalali, раз

Привет, @NicolasHug, это должно было прокомментировать PR, я полагаю ... какой? :)

cmarmo 25 янв. 2020

собираюсь работать над scikit-learn / sklearn / model_selection / _validation.py

rachelcjordan 25 янв. 2020

@cmarmo Это был общий комментарий для всех PR. Я увидел один и прокомментировал там, затем увидел второй и понял, что это шаблон, который лучше было бы адресовать в источнике.

NicolasHug 25 янв. 2020

@cmarmo Это был общий комментарий для всех PR. Я увидел один и прокомментировал там, затем увидел второй и понял, что это шаблон, который лучше было бы адресовать в источнике.

Извините, @NicolasHug , плохо, мне нелегко отследить комментарий.

cmarmo 25 янв. 2020

@NicolasHug Исходное предложение было исправлено в коммитах от

daphn3k 25 янв. 2020

Я и @Olks заявляем sklearn / utils / extmath.py - 185, 297

fabi-cast 25 янв. 2020

Заявка sklearn / ensemble / _iforest.py - 109

SergioDSR 28 янв. 2020

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

GregoireMialon 28 янв. 2020

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

DatenBiene 29 янв. 2020

Заявить sklearn / multioutput.py - 578, 738

DatenBiene 29 янв. 2020

Требовать :
sklearn / смесь / _bayesian_mixture.py - 166
sklearn / смесь / _base.py - 139
sklearn / смесь / _gaussian_mixture.py - 504

DatenBiene 30 янв. 2020

Заявить sklearn / ensemble / _gb.py - 887, 1360

DatenBiene 30 янв. 2020

Заявить sklearn / ensemble / _hist_gradient_boosting / gradient_boosting.py - 736, 918

DatenBiene 30 янв. 2020

Заявить sklearn / neural_network / _rbm.py - 59

GregoireMialon 30 янв. 2020

Требовать :

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

DatenBiene 30 янв. 2020

Требовать:

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 30 янв. 2020

Требовать :

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

DatenBiene 31 янв. 2020

@DatenBiene @GregoireMialon Спасибо за ваш вклад во время последнего спринта. Осталось только 3 модуля без отметок!

Было бы вам интересно / у вас было бы время / была бы мотивация для решения этих проблем (без давления!)?

jeremiedbb 12 февр. 2020

Привет, Джереми! Я постараюсь взглянуть на это в ближайшее время

Le mer. 12 февр. 2020 в 15:53, Жереми дю Буасберранже <
[email protected]> ответ:

@DatenBiene https://github.com/DatenBiene @GregoireMialon
https://github.com/GregoireMialon Спасибо за ваш вклад
во время последнего спринта. Осталось только 3 модуля без отметок!
Было бы вам интересно / у вас было бы время / была бы мотивация заняться ими (нет
давление !) ?
-
Вы получаете это, потому что вас упомянули.
Ответьте на это письмо напрямую, просмотрите его на GitHub
https://github.com/scikit-learn/scikit-learn/issues/10548?email_source=notifications&email_token=AFY4624NQL3EAFLBGPUNAE3RCQEO3A5CNFSM4EOCFD32YY3PNVWWK3TUL52XG43JNWWK3TUL52XG43JNVWWK3TUL52XG4DFVMVWWK3TUL52XG4DFV2
или отказаться от подписки
https://github.com/notifications/unsubscribe-auth/AFY4625457AU7OL4E4EUVOTRCQEO3ANCNFSM4EOCFD3Q
.

GregoireMialon 13 февр. 2020

Привет @jeremiedbb! Постараюсь сегодня доделать 3 оставшихся модуля 😃

Требовать:

sklearn / kernel_approximation.py - 41, 143, 470
sklearn / multiclass.py - 687
sklearn / ensemble / _base.py - 52

DatenBiene 4 апр. 2020

Привет, @jnothman и @jeremiedbb , похоже, все файлы были изменены. Я буду рад помочь, если вы обнаружите какие-либо оставшиеся проблемы.

DatenBiene 16 апр. 2020

👍1

Большое спасибо @DatenBiene и всем участникам, которые работали над закрытием этой проблемы!
Думаю, мы можем закрыть эту огромную!
Не стесняйтесь открывать новые конкретные проблемы, если что-то все еще отсутствует в описании random_state .

cmarmo 16 апр. 2020

Была ли эта страница полезной?

0 / 5 - 0 рейтинги