版本 0.13

版本 0.13.1

2013年2月23日

0.13.1 版本只修复了一些 bug，没有添加任何新功能。

变更日志

• 修复了由函数cross_validation.train_test_split被Yaroslav Halchenko解释为测试导致的测试错误。

• 修复了cluster.MiniBatchKMeans中小型集群重新分配的错误，由Gael Varoquaux修复。

• 由Lars Buitinck修复了decomposition.KernelPCA中gamma的默认值。

• 由Gael Varoquaux将 joblib 更新到0.7.0d。

• 由Peter Prettenhofer修复了ensemble.GradientBoostingClassifier中偏差的缩放。

• 由Andreas Müller改进了multiclass.OneVsOneClassifier中的平局打破机制。

• 对测试和文档的其他一些小改进。

人员

按提交次数列出 0.13.1 版本的贡献者。

• 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

新的估计器类

• dummy.DummyClassifier 和 dummy.DummyRegressor，两个由Mathieu Blondel提供的与数据无关的预测器。用于检查估计器的正确性。请参阅用户指南中的虚拟估计器。多输出支持由Arnaud Joly添加。

• decomposition.FactorAnalysis，一个由Christian Osendorfer和Alexandre Gramfort实现经典因子分析的转换器。请参阅用户指南中的因子分析。

• feature_extraction.FeatureHasher，一个由Lars Buitinck实现的转换器，用于从字符串字段快速、低内存地提取特征的“哈希技巧”，以及由Olivier Grisel为文本文档提供的feature_extraction.text.HashingVectorizer。请参阅文档和示例用法中的特征哈希和使用哈希技巧向量化大型文本语料库。

• pipeline.FeatureUnion，一个由Andreas Müller提供的转换器，用于连接其他几个转换器的结果。请参阅用户指南中的FeatureUnion：组合特征空间。

• random_projection.GaussianRandomProjection，random_projection.SparseRandomProjection和函数random_projection.johnson_lindenstrauss_min_dim。前两个是由Olivier Grisel和Arnaud Joly实现高斯和稀疏随机投影矩阵的转换器。请参阅用户指南中的随机投影。

• kernel_approximation.Nystroem，一个由Andreas Müller提供的用于逼近任意核的转换器。请参阅用户指南中的Nystroem 方法用于核逼近。

• Andreas Müller 提供的 preprocessing.OneHotEncoder，一个通过计算分类特征的二元编码的转换器。参见用户指南中的 编码分类特征。

• Rob Zinkov 和 Mathieu Blondel 提供的 linear_model.PassiveAggressiveClassifier 和 linear_model.PassiveAggressiveRegressor，实现了线性模型的高效随机优化的预测器。参见用户指南中的 被动攻击算法。

• Andreas Müller 提供的 ensemble.RandomTreesEmbedding，一个使用完全随机树集成创建高维稀疏表示的转换器。参见用户指南中的 完全随机树嵌入。

• Wei Li 提供的 manifold.SpectralEmbedding 和函数 manifold.spectral_embedding，实现了用于非线性降维的“拉普拉斯特征映射”变换。参见用户指南中的 谱嵌入。

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

变更日志

• Kyle Beauchamp 提供的 metrics.zero_one_loss（以前为 metrics.zero_one）现在具有归一化输出选项，该选项报告误分类的比例，而不是误分类的原始数量。

• Noel Dawe 和 Gilles Louppe 提供的 tree.DecisionTreeClassifier 和所有派生的集成模型现在支持样本加权。

• Peter Prettenhofer 和 Gilles Louppe 提供的在使用随机树森林的 bootstrap 样本时的速度改进。

• Peter Prettenhofer 提供的 ensemble.partial_dependence.partial_dependence 中的 梯度提升树 的偏依赖图。参见 偏依赖和个体条件期望图 以了解示例。

• Jaques Grobler 提供的网站上的目录现在可以展开。

• feature_selection.SelectPercentile 现在确定性地打破平局，而不是返回所有排名相同的特征。

• feature_selection.SelectKBest 和 feature_selection.SelectPercentile 更加数值稳定，因为它们使用分数而不是 p 值来对结果进行排名。这意味着它们有时可能会选择与以前不同的特征。

• Lars Buitinck 和 Fabian Pedregosa 提供的，使用 sparse_cg 求解器的岭回归和岭分类拟合不再具有二次内存复杂度。

• Mathieu Blondel 提供的岭回归和岭分类现在支持一个名为 lsqr 的新的快速求解器。

• Conrad Lee 提供的 metrics.precision_recall_curve 的速度提升。

• Fabian Pedregosa 提供的，在 datasets.dump_svmlight_file 和 datasets.load_svmlight_file 中添加了对使用成对偏好属性（svmlight 文件格式中的 qid）的 svmlight 文件的读写支持。

• Wei Li 提供的更快且更强大的 metrics.confusion_matrix 和 聚类性能评估。

• Andreas Müller 提供的 cross_validation.cross_val_score 现在可以使用预计算的核和亲和矩阵。

• Gael Varoquaux 提供的，LARS 算法通过启发式方法来丢弃相关性过高的回归器以及在数值噪声变得主导时停止路径，使其更加数值稳定。

• Conrad Lee 提供的 metrics.precision_recall_curve 的更快实现。

• Andreas Müller 提供的新内核 metrics.chi2_kernel，通常用于计算机视觉应用程序。

• Shaun Jackman 修复了 naive_bayes.BernoulliNB 中长期存在的 bug。

• Andrew Winterman 提供的在 multiclass.OneVsRestClassifier 中实现的 predict_proba。

• 提升梯度提升算法的一致性：估计器ensemble.GradientBoostingRegressor 和 ensemble.GradientBoostingClassifier 使用估计器 tree.DecisionTreeRegressor 代替 Arnaud Joly 提出的 tree._tree.Tree 数据结构。

• 修复了由 Seberg 发现的 决策树 模块中的浮点数异常。

• 修复了由 Wei Li 发现的当 y_true 只有一个类别时 metrics.roc_curve 失败的问题。

• 添加了计算平均绝对误差的 metrics.mean_absolute_error 函数。由 Arnaud Joly 实现，metrics.mean_squared_error，metrics.mean_absolute_error 和 metrics.r2_score 现在支持多输出。

• 修复了由 Andreas Müller 发现的 svm.LinearSVC 和 linear_model.LogisticRegression 中 class_weight 的支持问题。先前版本中 class_weight 的含义被反转，错误地将更高的权重表示为给定类别中较少的正例。

• 由 Arnaud Joly 提升了 sklearn.metrics 中回归和分类指标的叙述性文档和一致性。

• 修复了由 Xinfan Meng 和 Andreas Müller 发现的当使用索引未排序的 csr 矩阵时 sklearn.svm.SVC 中的 bug。

• cluster.MiniBatchKMeans：由 Gael Varoquaux 添加了对附加观测值较少的聚类中心的随机重新分配。

API 变更概要

• 为了保持一致性，将所有 n_atoms 的出现都重命名为 n_components。这适用于 decomposition.DictionaryLearning，decomposition.MiniBatchDictionaryLearning，decomposition.dict_learning，decomposition.dict_learning_online。

• 为了保持一致性，将所有 max_iters 的出现都重命名为 max_iter。这适用于 semi_supervised.LabelPropagation 和 semi_supervised.label_propagation.LabelSpreading。

• 为了保持 ensemble.BaseGradientBoosting 和 ensemble.GradientBoostingRegressor 的一致性，将所有 learn_rate 的出现都重命名为 learning_rate。

• sklearn.linear_model.sparse 模块已被移除。稀疏矩阵支持已集成到“常规”线性模型中。

• 已移除错误地返回累积误差的 sklearn.metrics.mean_square_error。请改用 metrics.mean_squared_error。

• 不再支持向 fit 方法传递 class_weight 参数。请改为将其传递给估计器构造函数。

• GMM 模型不再具有 decode 和 rvs 方法。请改用 score、predict 或 sample 方法。

• 岭回归和分类中的 solver 拟合选项现已弃用，并将在 v0.14 中移除。请改用构造函数选项。

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

• 将cross_validation.KFold和cross_validation.StratifiedKFold中的k重命名为n_folds，将cross_validation.Bootstrap中的n_bootstraps重命名为n_iter。

• 为保持一致性，将所有n_iterations的出现都重命名为n_iter。这适用于cross_validation.ShuffleSplit、cross_validation.StratifiedShuffleSplit、utils.extmath.randomized_range_finder和utils.extmath.randomized_svd。

• 将linear_model.ElasticNet和linear_model.SGDClassifier中的rho替换为l1_ratio。rho参数具有不同的含义；引入l1_ratio是为了避免混淆。它的含义与之前linear_model.ElasticNet中的rho相同，以及linear_model.SGDClassifier中的(1-rho)相同。

• linear_model.LassoLars和linear_model.Lars现在在多个目标的情况下存储路径列表，而不是路径数组。

• hmm.GMMHMM的属性gmm已重命名为gmm_，以更严格地遵守API。

• cluster.spectral_embedding已移动到manifold.spectral_embedding。

• 将manifold.spectral_embedding、cluster.SpectralClustering中的eig_tol重命名为eigen_tol，将mode重命名为eigen_solver。

• 将manifold.spectral_embedding和cluster.SpectralClustering中的mode重命名为eigen_solver。

• tree.DecisionTreeClassifier及其所有派生集成模型的classes_和n_classes_属性现在在单输出问题情况下是扁平的，在多输出问题情况下是嵌套的。

• ensemble.GradientBoostingRegressor和ensemble.GradientBoostingClassifier的estimators_属性现在是一个tree.DecisionTreeRegressor数组。

• 为保持一致性，将decomposition.MiniBatchDictionaryLearning和decomposition.MiniBatchSparsePCA中的chunk_size重命名为batch_size。

• svm.SVC和svm.NuSVC现在提供classes_属性，并支持标签y的任意dtype。此外，predict返回的dtype现在反映了fit期间y的dtype（以前是np.float）。

• 将cross_validation.train_test_split中的默认test_size更改为None，在cross_validation.ShuffleSplit和cross_validation.StratifiedShuffleSplit中增加了从train_size推断test_size的可能性。

• 将函数 sklearn.metrics.zero_one 重命名为 sklearn.metrics.zero_one_loss。请注意，sklearn.metrics.zero_one_loss 的默认行为与 sklearn.metrics.zero_one 不同：normalize=False 已更改为 normalize=True。

• 将函数 metrics.zero_one_score 重命名为 metrics.accuracy_score。

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

• 在朴素贝叶斯分类器中，class_prior 参数已从 fit 方法移动到 __init__ 方法。

贡献者

按提交次数统计的 0.13 版本贡献者列表。

• 364 Andreas Müller

• 143 Arnaud Joly

• 137 Peter Prettenhofer

• 131 Gael Varoquaux

• 117 Mathieu Blondel

• 108 Lars Buitinck

• 106 李伟 (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 杜石桥 (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 孟鑫凡 (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