版本0.13

版本0.13.1

February 23, 2013

0.13.1版本仅修复了一些错误，没有添加任何新功能。

Changelog

• 修复了由该功能引起的测试错误 cross_validation.train_test_split being interpreted as a test by Yaroslav Halchenko .

• 修复了重新分配小集群的错误 cluster.MiniBatchKMeans 通过 Gael Varoquaux .

• Fixed default value of gamma in decomposition.KernelPCA by Lars Buitinck.

• 更新jobib至 0.7.0d 通过 Gael Varoquaux .

• 修复了异常行为的缩放 ensemble.GradientBoostingClassifier 通过 Peter Prettenhofer .

• 更好的磨合 multiclass.OneVsOneClassifier 通过 Andreas Müller .

• 对测试和文档的其他小改进。

人

按提交次数列出的0.13.1版本的贡献者列表。

• 16 Lars Buitinck

• 12 Andreas Müller

• 8 Gael Varoquaux

• 5罗伯特·马克曼

• 3 Peter Prettenhofer

• 2赫里希凯什·维尔戈尔卡

• 1巴斯蒂安·范登伯格

• 1迭戈·莫拉

• 1 Gilles Louppe

• 1 Mathieu Blondel

• 1 Nelle Varoquaux

• 1拉斐尔·库尼亚·德阿尔梅达

• 1罗兰多·埃斯皮诺萨·拉富恩特

• 1 Vlad Niculae

• 1 Yaroslav Halchenko

版本0.13

January 21, 2013

新的估计类别

• dummy.DummyClassifier 和 dummy.DummyRegressor ，两个数据独立的预测器， Mathieu Blondel .这对检查你的估计值很有用。看到 伪估计器 在用户指南中。添加的多输出支持 Arnaud Joly .

• decomposition.FactorAnalysis ，一个实施经典因子分析的Transformer，通过 Christian Osendorfer 和 Alexandre Gramfort .看到 因子分析 在用户指南中。

• feature_extraction.FeatureHasher ，一个实现“哈希技巧”的Transformer，通过以下方式从字符串字段中快速、低内存特征提取 Lars Buitinck 和 feature_extraction.text.HashingVectorizer 对于文本文档， Olivier Grisel 看到 特征哈希 和 使用哈希技巧对大型文本库进行载体化 用于文档和示例使用。

• pipeline.FeatureUnion ，一个Transformer，通过以下方式将多个其他转换器的结果连接起来 Andreas Müller .看到 DeliverUnion：复合要素空间 在用户指南中。

• random_projection.GaussianRandomProjection , random_projection.SparseRandomProjection 和功能 random_projection.johnson_lindenstrauss_min_dim .前两个是通过以下方式实现高斯和稀疏随机投影矩阵的转换器 Olivier Grisel 和 Arnaud Joly .看到 随机投影 在用户指南中。

• kernel_approximation.Nystroem ，一个用于通过以下方式逼近任意核的Transformer Andreas Müller .看到 核逼近的Nystroem方法 在用户指南中。

• preprocessing.OneHotEncoder ，一个Transformer，通过以下方式计算分类特征的二进制编码： Andreas Müller .看到 编码类别特征 在用户指南中。

• linear_model.PassiveAggressiveClassifier 和 linear_model.PassiveAggressiveRegressor ，预测器通过以下方式对线性模型实施有效的随机优化 Rob Zinkov 和 Mathieu Blondel .看到 被动攻击算法 在用户指南中。

• ensemble.RandomTreesEmbedding ，一个Transformer，用于使用完全随机树的集合创建多维稀疏表示， Andreas Müller .看到 完全随机树嵌入 在用户指南中。

• manifold.SpectralEmbedding 和功能 manifold.spectral_embedding ，李伟实现了“拉普拉斯特征映射”变换以实现非线性降维。看到 光谱嵌入 在用户指南中。

• isotonic.IsotonicRegression 通过 Fabian Pedregosa , Alexandre Gramfort 和 Nelle Varoquaux ,

Changelog

• metrics.zero_one_loss （以前 metrics.zero_one ）现在有一个标准化输出选项，可以报告错误分类的比例，而不是错误分类的原始数量。作者：凯尔·博尚。

• tree.DecisionTreeClassifier 所有衍生的集成模型现在都支持样本加权，通过 Noel Dawe 和 Gilles Louppe .

• 在随机树的森林中使用自举样本时加速改进，通过 Peter Prettenhofer 和 Gilles Louppe .

• 的部分依赖图表 受影响的树木 在 ensemble.partial_dependence.partial_dependence by Peter Prettenhofer .看到 sphx_glr_auto_examples_inspection_plot_partial_dependence.py 举个例子。

• 该网站上的目录现已通过以下方式进行扩展： Jaques Grobler .

• feature_selection.SelectPercentile 现在确定性地打破联系，而不是返回所有同等排名的特征。

• feature_selection.SelectKBest 和 feature_selection.SelectPercentile 数字上更稳定，因为它们使用分数而不是p值来对结果进行排名。这意味着他们有时可能会选择与以前不同的功能。

• 岭回归和岭分类与 sparse_cg 求解器不再具有二次存储复杂性，通过 Lars Buitinck 和 Fabian Pedregosa .

• 岭回归和岭分类现在支持一个新的快速求解器，名为 lsqr ，由 Mathieu Blondel .

• 提速 metrics.precision_recall_curve 作者：康拉德·李。

• 添加了对使用成对偏好属性（svmlight文件格式中的qid）读写svmlight文件的支持 datasets.dump_svmlight_file 和 datasets.load_svmlight_file 通过 Fabian Pedregosa .

• 更快、更强大 metrics.confusion_matrix 和 集群绩效评估 作者：魏李。

• cross_validation.cross_val_score 现在可以使用预先计算的核和亲和力矩阵，由 Andreas Müller .

• LARS算法通过启发式算法在数字上更加稳定，以丢弃过于相关的回归量，并在数字噪音变得主要时停止路径， Gael Varoquaux .

• 更快地执行 metrics.precision_recall_curve 作者：康拉德·李。

• 新内核 metrics.chi2_kernel by Andreas Müller ，经常用于计算机视觉应用。

• 修复长期存在的错误 naive_bayes.BernoulliNB 由肖恩·杰克曼修复。

• 实施 predict_proba 在 multiclass.OneVsRestClassifier ，作者：安德鲁·温特曼。

• Improve consistency in gradient boosting: estimators ensemble.GradientBoostingRegressor and ensemble.GradientBoostingClassifier use the estimator tree.DecisionTreeRegressor instead of the tree._tree.Tree data structure by Arnaud Joly.

• 修复了 decision trees 模块，由Seberg。

• 修复 metrics.roc_curve 当y_true只有一个Wei Li的类时失败。

• 添加 metrics.mean_absolute_error 计算平均绝对误差的函数。的 metrics.mean_squared_error , metrics.mean_absolute_error 和 metrics.r2_score 指标支持多输出 Arnaud Joly .

• 固定 class_weight 支持 svm.LinearSVC 和 linear_model.LogisticRegression 通过 Andreas Müller .的意义 class_weight 被逆转，因为在早期版本中，较高的权重错误地意味着给定类别的阳性较少。

• 改进叙述文档和一致性 sklearn.metrics 对于回归和分类指标， Arnaud Joly .

• 修复了中的一个错误 sklearn.svm.SVC 当孟新凡使用具有未排序索引的csr矩阵时， Andreas Müller .

• cluster.MiniBatchKMeans ：添加随机重新分配集群中心，几乎没有附加观察结果，通过 Gael Varoquaux .

API变更摘要

• Renamed all occurrences of n_atoms to n_components for consistency. This applies to decomposition.DictionaryLearning, decomposition.MiniBatchDictionaryLearning, decomposition.dict_learning, decomposition.dict_learning_online.

• Renamed all occurrences of max_iters to max_iter for consistency. This applies to semi_supervised.LabelPropagation and semi_supervised.label_propagation.LabelSpreading.

• Renamed all occurrences of learn_rate to learning_rate for consistency in ensemble.BaseGradientBoosting and ensemble.GradientBoostingRegressor.

• 模块 sklearn.linear_model.sparse 不见了稀疏矩阵支持已经集成到“常规”线性模型中。

• sklearn.metrics.mean_square_error ，错误地返回了累积错误，已被删除。使用 metrics.mean_squared_error 而不是.

• 通过 class_weight 参数以 fit 方法不再受支持。将它们传递给估计器构造器。

• 甘迺迪不再有 decode 和 rvs 方法.使用 score , predict 或 sample 相反，方法。

• 的 solver Ridge回归和分类中的fit选项现已被弃用，并将在v0.14中删除。改用构造函数选项。

• feature_extraction.text.DictVectorizer 现在返回CSR格式的稀疏矩阵，而不是COO。

• 更名 k 在 cross_validation.KFold 和 cross_validation.StratifiedKFold 到 n_folds ，已更名 n_bootstraps 到 n_iter 在 cross_validation.Bootstrap .

• Renamed all occurrences of n_iterations to n_iter for consistency. This applies to cross_validation.ShuffleSplit, cross_validation.StratifiedShuffleSplit, utils.extmath.randomized_range_finder and utils.extmath.randomized_svd.

• 取代 rho 在 linear_model.ElasticNet 和 linear_model.SGDClassifier 通过 l1_ratio .的 rho 参数含义不同; l1_ratio 是为了避免混乱而引入的。它的含义和以前一样 rho 在 linear_model.ElasticNet 和 (1-rho) 在 linear_model.SGDClassifier .

• linear_model.LassoLars 和 linear_model.Lars 现在，如果存在多个目标，则存储路径列表，而不是路径数组。

• 属性 gmm 的 hmm.GMMHMM 更名为 gmm_ 更严格地遵守API。

• cluster.spectral_embedding 被转移到 manifold.spectral_embedding .

• 更名 eig_tol 在 manifold.spectral_embedding , cluster.SpectralClustering 到 eigen_tol ，已更名 mode 到 eigen_solver .

• 更名 mode 在 manifold.spectral_embedding 和 cluster.SpectralClustering 到 eigen_solver .

• classes_ 和 n_classes_ 属性 tree.DecisionTreeClassifier 并且所有导出的系综模型现在在单输出问题的情况下是平坦的，并且在多输出问题的情况下是嵌套的。

• 的 estimators_ 属性 ensemble.GradientBoostingRegressor 和 ensemble.GradientBoostingClassifier 现在是一系列 tree.DecisionTreeRegressor .

• 更名 chunk_size 到 batch_size 在 decomposition.MiniBatchDictionaryLearning 和 decomposition.MiniBatchSparsePCA 为了一致性。

• svm.SVC 和 svm.NuSVC 现在提供 classes_ 属性并支持标签的任意数据类型 y .此外，由返回的d类型 predict 现在反映了d类型 y 期间 fit (used是 np.float ).

• 更改了中的默认test_size cross_validation.train_test_split 无，增加了推断的可能性 test_size 从 train_size 在 cross_validation.ShuffleSplit 和 cross_validation.StratifiedShuffleSplit .

• 重命名功能 sklearn.metrics.zero_one 到 sklearn.metrics.zero_one_loss .请注意，中的默认行为 sklearn.metrics.zero_one_loss 不同于 sklearn.metrics.zero_one : normalize=False 被改变为 normalize=True .

• 重命名功能 metrics.zero_one_score 到 metrics.accuracy_score .

• datasets.make_circles 现在具有相同数量的内点和外点。

• 在天真的Bayes分类器中， class_prior 参数已从 fit 到 __init__ .

人

0.13版本的贡献者列表，按提交数量排列。

• 364 Andreas Müller

• 143 Arnaud Joly

• 137 Peter Prettenhofer

• 131 Gael Varoquaux

• 117 Mathieu Blondel

• 108 Lars Buitinck

• 106李伟

• 101 Olivier Grisel

• 65 Vlad Niculae

• 54 Gilles Louppe

• 40 Jaques Grobler

• 38 Alexandre Gramfort

• 30 Rob Zinkov

• 19艾默里克·马苏雷尔

• 18安德鲁·温特曼

• 17 Fabian Pedregosa

• 17内勒·瓦罗夸

• 16 Christian Osendorfer

• 14 Daniel Nouri

• 13 Virgile Fritsch

• 13 syhw

• 12 Satrajit Ghosh

• 10科里·林奇

• 10凯尔·比彻姆

• 9张布莱恩

• 9伊曼纽尔·拜耳

• 9舒先生

• 8康拉德·李

• 8 James Bergstra

• 7塔德吉·詹内菲

• 6布莱恩·卡耶斯

• 6 Jake Vanderplas

• 6迈克尔

• 6诺埃尔·达维

• 6蒂亚戈·努涅斯

• 6 cow

• 5安泽

• 5石桥渡

• 4克里斯蒂安·若文

• 4雅克·克瓦姆

• 4理查德·T家伙

• 4 Robert Layton

• 3亚历山大·亚伯拉罕

• 3道格·科尔曼

• 3斯科特·迪克森

• 2近似身份

• 2约翰·贝尼迪克松

• 2马克·维隆达

• 2马蒂·莱拉

• 2米哈伊尔·科罗博夫

• 2孟新繁

• 1 Alejandro Weinstein

• 1 Alexandre Passos

• 1克里斯托夫·迪尔

• 1尤金·尼日比茨基

• 1肯尼思·C阿诺德

• 1路易斯·佩德罗·科埃略

• 1米罗斯拉夫·巴奇卡罗夫

• 1帕维尔

• 1塞巴斯蒂安·伯格

• 1肖恩·杰克曼

• 1 Subhodeep Moitra

• 1 Bob

• 1登格曼

• 1埃玛努埃莱

• 1 x 006