版本 0.13

版本 0.13.1

2013 年 2 月 23 日

0.13.1 版本僅修正了一些錯誤，沒有新增任何新功能。

更新日誌

• 修正了由 Yaroslav Halchenko 導致的測試錯誤，該錯誤是由於函數 cross_validation.train_test_split 被解讀為測試。

• 修正了 cluster.MiniBatchKMeans 中由 Gael Varoquaux 造成的小集群重新分配中的錯誤。

• 修正了 decomposition.KernelPCA 中 gamma 的預設值，由 Lars Buitinck 修正。

• 將 joblib 更新為 0.7.0d，由 Gael Varoquaux 更新。

• 修正了 ensemble.GradientBoostingClassifier 中偏差的縮放，由 Peter Prettenhofer 修正。

• 改善了 multiclass.OneVsOneClassifier 中的平手打破，由 Andreas Müller 修正。

• 其他對測試和文件的微小改進。

貢獻者

依提交次數排列的 0.13.1 版本貢獻者列表。

• 16 Lars Buitinck

• 12 Andreas Müller

• 8 Gael Varoquaux

• 5 Robert Marchman

• 3 Peter Prettenhofer

• 2 Hrishikesh Huilgolkar

• 1 Bastiaan van den Berg

• 1 Diego Molla

• 1 Gilles Louppe

• 1 Mathieu Blondel

• 1 Nelle Varoquaux

• 1 Rafael Cunha de Almeida

• 1 Rolando Espinoza La fuente

• 1 Vlad Niculae

• 1 Yaroslav Halchenko

版本 0.13

2013 年 1 月 21 日

新的估算器類別

• dummy.DummyClassifier 和 dummy.DummyRegressor，兩個獨立於資料的預測器，由 Mathieu Blondel 提供。適用於檢查估算器的合理性。請參閱使用者指南中的 虛擬估算器。多輸出支援由 Arnaud Joly 新增。

• decomposition.FactorAnalysis，一個實作經典因素分析的轉換器，由 Christian Osendorfer 和 Alexandre Gramfort 提供。請參閱使用者指南中的 因素分析。

• feature_extraction.FeatureHasher，一個實作「雜湊技巧」的轉換器，用於從字串欄位快速、低記憶體地提取特徵，由 Lars Buitinck 提供；以及用於文字文件的 feature_extraction.text.HashingVectorizer，由 Olivier Grisel 提供。請參閱 特徵雜湊 和 使用雜湊技巧將大型文字語料庫向量化，以取得文件和範例用法。

• pipeline.FeatureUnion，一個將其他數個轉換器的結果串連起來的轉換器，由 Andreas Müller 提供。請參閱使用者指南中的 FeatureUnion：複合特徵空間。

• random_projection.GaussianRandomProjection、random_projection.SparseRandomProjection 和函數 random_projection.johnson_lindenstrauss_min_dim。前兩個是由 Olivier Grisel 和 Arnaud Joly 提供的轉換器，實作高斯和稀疏隨機投影矩陣。請參閱使用者指南中的 隨機投影。

• kernel_approximation.Nystroem，一個用於近似任意核的轉換器，由 Andreas Müller 提供。請參閱使用者指南中的 用於核近似的 Nystroem 方法。

• preprocessing.OneHotEncoder，一個計算類別特徵的二元編碼的轉換器，由 Andreas Müller 提供。請參閱使用者指南中的 編碼類別特徵。

• linear_model.PassiveAggressiveClassifier 和 linear_model.PassiveAggressiveRegressor，由 Rob Zinkov 和 Mathieu Blondel 提供的預測器，用於實作線性模型的有效隨機最佳化。請參閱使用者指南中的 被動積極演算法。

• ensemble.RandomTreesEmbedding，一個使用完全隨機樹的集合建立高維稀疏表示的轉換器，由 Andreas Müller 提供。請參閱使用者指南中的 完全隨機樹嵌入。

• manifold.SpectralEmbedding 和函數 manifold.spectral_embedding，實作用於非線性降維的「拉普拉斯本徵映射」轉換，由 Wei Li 提供。請參閱使用者指南中的 光譜嵌入。

• isotonic.IsotonicRegression，由 Fabian Pedregosa、Alexandre Gramfort 和 Nelle Varoquaux 提供。

更新日誌

• metrics.zero_one_loss（先前為 metrics.zero_one）現在具有正規化輸出的選項，該選項會回報錯誤分類的分數，而不是錯誤分類的原始數字。由 Kyle Beauchamp 提供。

• tree.DecisionTreeClassifier 以及所有衍生集成模型現在都支援樣本權重，由 Noel Dawe 和 Gilles Louppe 貢獻。

• 在隨機樹森林中使用 bootstrap 樣本時的速度提升，由 Peter Prettenhofer 和 Gilles Louppe 貢獻。

• 針對 梯度提升樹 的部分依賴圖，位於 ensemble.partial_dependence.partial_dependence 中，由 Peter Prettenhofer 貢獻。請參閱 部分依賴和個別條件期望圖 以取得範例。

• 網站上的目錄現在可以展開，由 Jaques Grobler 貢獻。

• feature_selection.SelectPercentile 現在會以決定性的方式處理平手情況，而不是回傳所有排名相同的特徵。

• feature_selection.SelectKBest 和 feature_selection.SelectPercentile 在數值上更穩定，因為它們使用分數（而非 p 值）來排名結果。這表示它們有時可能會選擇與先前不同的特徵。

• 使用 sparse_cg 求解器的嶺迴歸和嶺分類擬合不再具有平方級的記憶體複雜度，由 Lars Buitinck 和 Fabian Pedregosa 貢獻。

• 嶺迴歸和嶺分類現在支援一個名為 lsqr 的新快速求解器，由 Mathieu Blondel 貢獻。

• metrics.precision_recall_curve 的速度提升，由 Conrad Lee 貢獻。

• 在 datasets.dump_svmlight_file 和 datasets.load_svmlight_file 中新增了對讀取/寫入具有成對偏好屬性（svmlight 檔案格式中的 qid）的 svmlight 檔案的支援，由 Fabian Pedregosa 貢獻。

• 更快且更穩健的 metrics.confusion_matrix 和 集群效能評估，由 Wei Li 貢獻。

• cross_validation.cross_val_score 現在可以使用預先計算的核函數和親和性矩陣，由 Andreas Müller 貢獻。

• LARS 演算法透過啟發式方法捨棄過於相關的迴歸器，並在數值雜訊變得主要時停止路徑，使其在數值上更穩定，由 Gael Varoquaux 貢獻。

• metrics.precision_recall_curve 的更快實作，由 Conrad Lee 貢獻。

• 新的核函數 metrics.chi2_kernel，由 Andreas Müller 貢獻，常用於電腦視覺應用中。

• naive_bayes.BernoulliNB 中長期存在的錯誤已由 Shaun Jackman 修復。

• 在 multiclass.OneVsRestClassifier 中實作了 predict_proba，由 Andrew Winterman 貢獻。

• 改善梯度提升的一致性：估計器 ensemble.GradientBoostingRegressor 和 ensemble.GradientBoostingClassifier 使用估計器 tree.DecisionTreeRegressor，而不是 tree._tree.Tree 資料結構，由 Arnaud Joly 貢獻。

• 修復了 決策樹 模組中的浮點數例外，由 Seberg 貢獻。

• 修復了當 y_true 只有一個類別時 metrics.roc_curve 失敗的問題，由 Wei Li 貢獻。

• 新增了計算平均絕對誤差的 metrics.mean_absolute_error 函數。 metrics.mean_squared_error、metrics.mean_absolute_error 和 metrics.r2_score 指標都支援多輸出，由 Arnaud Joly 貢獻。

• 修復了 svm.LinearSVC 和 linear_model.LogisticRegression 中的 class_weight 支援，由 Andreas Müller 貢獻。 class_weight 的含義被顛倒了，因為在較早的版本中，較高的權重意味著給定類別的陽性樣本較少。

• 改善 sklearn.metrics 中迴歸和分類指標的敘述性文件和一致性，由 Arnaud Joly 貢獻。

• 修復了當使用具有未排序索引的 csr 矩陣時，sklearn.svm.SVC 中的一個錯誤，由 Xinfan Meng 和 Andreas Müller 貢獻。

• cluster.MiniBatchKMeans：新增了對附加的觀察值很少的集群中心進行隨機重新分配的功能，由 Gael Varoquaux 貢獻。

API 變更摘要

• 為了保持一致性，將所有出現的 n_atoms 都重新命名為 n_components。這適用於 decomposition.DictionaryLearning、decomposition.MiniBatchDictionaryLearning、decomposition.dict_learning、decomposition.dict_learning_online。

• 為了保持一致性，將所有出現的 max_iters 都重新命名為 max_iter。這適用於 semi_supervised.LabelPropagation 和 semi_supervised.label_propagation.LabelSpreading。

• 為了保持一致性，將 ensemble.BaseGradientBoosting 和 ensemble.GradientBoostingRegressor 中所有出現的 learn_rate 都重新命名為 learning_rate。

• sklearn.linear_model.sparse 模組已移除。稀疏矩陣支援已整合到「常規」線性模型中。

• 已移除不正確地回傳累積誤差的 sklearn.metrics.mean_square_error。請改用 metrics.mean_squared_error。

• 不再支援將 class_weight 參數傳遞給 fit 方法。請改為將它們傳遞給估算器建構函式。

• GMMs 不再有 decode 和 rvs 方法。請改用 score、predict 或 sample 方法。

• Ridge 迴歸和分類中的 solver fit 選項現在已被棄用，並將在 v0.14 中移除。請改用建構函式選項。

• feature_extraction.text.DictVectorizer 現在會回傳 CSR 格式的稀疏矩陣，而非 COO 格式。

• 將 cross_validation.KFold 和 cross_validation.StratifiedKFold 中的 k 重新命名為 n_folds，並將 cross_validation.Bootstrap 中的 n_bootstraps 重新命名為 n_iter。

• 為了保持一致性，將所有出現的 n_iterations 重新命名為 n_iter。這適用於 cross_validation.ShuffleSplit、cross_validation.StratifiedShuffleSplit、utils.extmath.randomized_range_finder 和 utils.extmath.randomized_svd。

• 將 linear_model.ElasticNet 和 linear_model.SGDClassifier 中的 rho 取代為 l1_ratio。rho 參數有不同的含義；引入 l1_ratio 是為了避免混淆。它的含義與先前在 linear_model.ElasticNet 中的 rho 和在 linear_model.SGDClassifier 中的 (1-rho) 相同。

• linear_model.LassoLars 和 linear_model.Lars 現在在多個目標的情況下儲存路徑列表，而不是路徑陣列。

• hmm.GMMHMM 的屬性 gmm 已重新命名為 gmm_，以更嚴格地遵循 API。

• cluster.spectral_embedding 已移動到 manifold.spectral_embedding。

• 將 manifold.spectral_embedding 和 cluster.SpectralClustering 中的 eig_tol 重新命名為 eigen_tol，並將 mode 重新命名為 eigen_solver。

• 將 manifold.spectral_embedding 和 cluster.SpectralClustering 中的 mode 重新命名為 eigen_solver。

• 對於單一輸出問題，tree.DecisionTreeClassifier 和所有衍生集成模型的 classes_ 和 n_classes_ 屬性現在是平面的，而對於多輸出問題則是巢狀的。

• ensemble.GradientBoostingRegressor 和 ensemble.GradientBoostingClassifier 的 estimators_ 屬性現在是 tree.DecisionTreeRegressor 的陣列。

• 為了保持一致性，將 decomposition.MiniBatchDictionaryLearning 和 decomposition.MiniBatchSparsePCA 中的 chunk_size 重新命名為 batch_size。

• svm.SVC 和 svm.NuSVC 現在提供 classes_ 屬性，並支援標籤 y 的任意 dtype。此外，predict 回傳的 dtype 現在反映了 fit 期間 y 的 dtype (以前是 np.float)。

• 將 cross_validation.train_test_split 中的預設 test_size 變更為 None，並在 cross_validation.ShuffleSplit 和 cross_validation.StratifiedShuffleSplit 中新增了從 train_size 推斷 test_size 的可能性。

• 將函式 sklearn.metrics.zero_one 重新命名為 sklearn.metrics.zero_one_loss。請注意，sklearn.metrics.zero_one_loss 中的預設行為與 sklearn.metrics.zero_one 不同：normalize=False 已變更為 normalize=True。

• 將函式 metrics.zero_one_score 重新命名為 metrics.accuracy_score。

• datasets.make_circles 現在具有相同數量的內部點和外部點。

• 在 Naive Bayes 分類器中，class_prior 參數已從 fit 移動到 __init__。

貢獻者

按提交次數排列的 0.13 版本貢獻者列表。

• 364 Andreas Müller

• 143 Arnaud Joly

• 137 Peter Prettenhofer

• 131 Gael Varoquaux

• 117 Mathieu Blondel

• 108 Lars Buitinck

• 106 Wei Li

• 101 Olivier Grisel

• 65 Vlad Niculae

• 54 Gilles Louppe

• 40 Jaques Grobler

• 38 Alexandre Gramfort

• 30 Rob Zinkov

• 19 Aymeric Masurelle

• 18 Andrew Winterman

• 17 Fabian Pedregosa

• 17 Nelle Varoquaux

• 16 Christian Osendorfer

• 14 Daniel Nouri

• 13 Virgile Fritsch

• 13 syhw

• 12 Satrajit Ghosh

• 10 Corey Lynch

• 10 Kyle Beauchamp

• 9 Brian Cheung

• 9 Immanuel Bayer

• 9 mr.Shu

• 8 Conrad Lee

• 8 James Bergstra

• 7 Tadej Janež

• 6 Brian Cajes

• 6 Jake Vanderplas

• 6 Michael

• 6 Noel Dawe

• 6 Tiago Nunes

• 6 cow

• 5 Anze

• 5 Shiqiao Du

• 4 Christian Jauvin

• 4 Jacques Kvam

• 4 Richard T. Guy

• 4 Robert Layton

• 3 Alexandre Abraham

• 3 Doug Coleman

• 3 Scott Dickerson

• 2 ApproximateIdentity

• 2 John Benediktsson

• 2 Mark Veronda

• 2 Matti Lyra

• 2 Mikhail Korobov

• 2 Xinfan Meng

• 1 Alejandro Weinstein

• 1 Alexandre Passos

• 1 Christoph Deil

• 1 Eugene Nizhibitsky

• 1 Kenneth C. Arnold

• 1 Luis Pedro Coelho

• 1 Miroslav Batchkarov

• 1 Pavel

• 1 Sebastian Berg

• 1 Shaun Jackman

• 1 Subhodeep Moitra

• 1 bob

• 1 dengemann

• 1 emanuele

• 1 x006