版本 0.13

版本 0.13.1

2013 年 2 月 23 日

0.13.1 版本仅修复了一些 bug，没有增加任何新功能。

更新日志

• 修复了因 cross_validation.train_test_split 函数被 Yaroslav Halchenko 误判为测试而引起的测试错误。

• 修复了 Gael Varoquaux 在 cluster.MiniBatchKMeans 中对小簇的重新分配的 bug。

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

• Gael Varoquaux 将 joblib 更新至 0.7.0d。

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

• Andreas Müller 在 multiclass.OneVsOneClassifier 中实现了更好的平局处理。

• 对测试和文档进行了其他小的改进。

贡献者

0.13.1 版本贡献者列表（按提交次数排序）。

• 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，由 Mathieu Blondel 实现的两个与数据无关的预测器。可用于对您的估计器进行健全性检查。用户指南中的Dummy estimators。由 Arnaud Joly 添加了多输出支持。

• 由 Christian Osendorfer 和 Alexandre Gramfort 实现的实现经典因子分析的转换器 decomposition.FactorAnalysis。用户指南中的Factor Analysis。

• 由 Lars Buitinck 实现的用于从字符串字段快速、低内存地提取特征的“哈希技巧”的转换器 feature_extraction.FeatureHasher，以及由 Olivier Grisel 为文本文档实现的 feature_extraction.text.HashingVectorizer。请参阅文档和示例用法中的Feature hashing 和 Vectorizing a large text corpus with the hashing trick。

• 由 Andreas Müller 实现的转换器 pipeline.FeatureUnion，用于连接多个其他转换器的结果。用户指南中的FeatureUnion: composite feature spaces。

• 由 Olivier Grisel 和 Arnaud Joly 实现的实现高斯和稀疏随机投影矩阵的转换器 random_projection.GaussianRandomProjection、random_projection.SparseRandomProjection 以及函数 random_projection.johnson_lindenstrauss_min_dim。用户指南中的Random Projection。

• 由 Andreas Müller 实现的用于近似任意核的转换器 kernel_approximation.Nystroem。用户指南中的Nystroem Method for Kernel Approximation。

• 由 Andreas Müller 实现的转换器 preprocessing.OneHotEncoder，用于计算分类特征的二元编码。用户指南中的Encoding categorical features。

• 由 Rob Zinkov 和 Mathieu Blondel 实现的实现线性模型高效随机优化的预测器 linear_model.PassiveAggressiveClassifier 和 linear_model.PassiveAggressiveRegressor。用户指南中的Passive Aggressive Algorithms。

• 由 Andreas Müller 实现的转换器 ensemble.RandomTreesEmbedding，用于使用全随机树的集成创建高维稀疏表示。用户指南中的Totally Random Trees Embedding。

• 由 Wei Li 实现的实现“拉普拉斯特征图”变换以进行非线性降维的 manifold.SpectralEmbedding 和函数 manifold.spectral_embedding。用户指南中的Spectral Embedding。

• 由 Fabian Pedregosa、Alexandre Gramfort 和 Nelle Varoquaux 实现的 isotonic.IsotonicRegression，

更新日志

• 由 Kyle Beauchamp 实现的 metrics.zero_one_loss（以前称为 metrics.zero_one）现在有一个归一化输出的选项，报告的是误分类的比例，而不是误分类的原始数量。

• 由 Noel Dawe 和 Gilles Louppe 实现的 tree.DecisionTreeClassifier 和所有派生的集成模型现在都支持样本加权。

• 由 Peter Prettenhofer 和 Gilles Louppe 实现的在随机树的森林中使用自举样本时的速度提升。

• 由 Peter Prettenhofer 在 ensemble.partial_dependence.partial_dependence 中为Gradient-boosted trees 添加了部分依赖图。请参阅Partial Dependence and Individual Conditional Expectation Plots 的示例。

• 由 Jaques Grobler 使网站上的目录变得可展开。

• feature_selection.SelectPercentile 现在以确定性方式打破平局，而不是返回所有排名相同的特征。

• feature_selection.SelectKBest 和 feature_selection.SelectPercentile 由于使用分数而不是 p 值来对结果进行排名，因此在数值上更稳定。这意味着它们有时可能会选择与以前不同的特征。

• 由 Lars Buitinck 和 Fabian Pedregosa 实现的，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。

• 由 Mathieu Blondel 实现的岭回归和岭分类现在支持一种名为 lsqr 的新快速求解器。

• Conrad Lee 加速了 metrics.precision_recall_curve。

• 由 Fabian Pedregosa 在 datasets.dump_svmlight_file 和 datasets.load_svmlight_file 中添加了使用成对偏好属性（svmlight 文件格式中的 qid）读/写 svmlight 文件的支持。

• 由 Wei Li 实现的更快速、更鲁棒的 metrics.confusion_matrix 和Clustering performance evaluation。

• 由 Andreas Müller 实现的 cross_validation.cross_val_score 现在可以处理预先计算的核和亲和力矩阵。

• 由 Gael Varoquaux 实现的 LARS 算法通过启发式方法（丢弃高度相关的回归量以及在数值噪声占主导地位时停止路径）使其在数值上更加稳定。

• Conrad Lee 加速了 metrics.precision_recall_curve 的实现。

• 由 Andreas Müller 添加的新核 metrics.chi2_kernel，常用于计算机视觉应用。

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

• Andrew Winterman 在 multiclass.OneVsRestClassifier 中实现了 predict_proba。

• 提高梯度提升的一致性：由 Arnaud Joly 实现的估计器 ensemble.GradientBoostingRegressor 和 ensemble.GradientBoostingClassifier 使用 tree.DecisionTreeRegressor 估计器而不是 tree._tree.Tree 数据结构。

• Seberg 修复了decision trees 模块中的一个浮点异常。

• Wei Li 修复了 metrics.roc_curve 在 y_true 只有一个类时失败的问题。

• 添加了计算平均绝对误差的函数 metrics.mean_absolute_error。由 Arnaud Joly 实现的 metrics.mean_squared_error、metrics.mean_absolute_error 和 metrics.r2_score 指标支持多输出。

• 由 Andreas Müller 修复了 svm.LinearSVC 和 linear_model.LogisticRegression 中的 class_weight 支持。之前 class_weight 的含义被错误地解释为更高的权重意味着给定类别的正例更少。

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

• Xinfan Meng 和 Andreas Müller 修复了 sklearn.svm.SVC 在使用具有未排序索引的 csr 矩阵时的 bug。

• cluster.MiniBatchKMeans：由 Gael Varoquaux 添加了对附加少量观测值的簇中心的随机重新分配。

API 更改摘要

• 为了保持一致性，将 n_atoms 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 max_iters 重命名为 max_iter。这适用于 semi_supervised.LabelPropagation 和 semi_supervised.label_propagation.LabelSpreading。

• 为了保持一致性，将 ensemble.BaseGradientBoosting 和 ensemble.GradientBoostingRegressor 中的 learn_rate 重命名为 learning_rate。

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

• 已移除 sklearn.metrics.mean_square_error，它错误地返回累积误差。请使用 metrics.mean_squared_error。

• 不再支持将 class_weight 参数传递给 fit 方法。请将它们传递给估计器构造函数。

• GMM 不再具有 decode 和 rvs 方法。请使用 score、predict 或 sample 方法。

• Ridge 回归和分类中的 solver fit 选项现在已弃用，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。

• 在 cross_validation.KFold 和 cross_validation.StratifiedKFold 中，k 已重命名为 n_folds；在 cross_validation.Bootstrap 中，n_bootstraps 已重命名为 n_iter。

• 为了保持一致性，已将所有 n_iterations 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。

• 在 linear_model.ElasticNet 和 linear_model.SGDClassifier 中，rho 已被 l1_ratio 替换。rho 参数的含义不同；引入 l1_ratio 是为了避免混淆。它具有与以前 linear_model.ElasticNet 中的 rho 和 linear_model.SGDClassifier 中的 (1-rho) 相同的含义。

• linear_model.LassoLars 和 linear_model.Lars 现在存储一个路径列表以应对多目标情况，而不是一个路径数组。

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

• cluster.spectral_embedding 已移至 manifold.spectral_embedding。

• 在 manifold.spectral_embedding、cluster.SpectralClustering 中，eig_tol 已重命名为 eigen_tol，mode 已重命名为 eigen_solver。

• 在 manifold.spectral_embedding 和 cluster.SpectralClustering 中，mode 已重命名为 eigen_solver。

• tree.DecisionTreeClassifier 和所有派生集成模型的 classes_ 和 n_classes_ 属性在单输出问题时为扁平化，在多输出问题时为嵌套。

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

• 为了保持一致性，在 decomposition.MiniBatchDictionaryLearning 和 decomposition.MiniBatchSparsePCA 中，chunk_size 已重命名为 batch_size。

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

• cross_validation.train_test_split 中的默认 test_size 已更改为 None，并增加了在 cross_validation.ShuffleSplit 和 cross_validation.StratifiedShuffleSplit 中从 train_size 推断 test_size 的可能性。

• 函数 sklearn.metrics.zero_one 已重命名为 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。

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

• datasets.make_circles 现在具有相同数量的内圆和外圆点。

• 在朴素贝叶斯分类器中，class_prior 参数已从 fit 移至 __init__。

人员

0.13 版本贡献者列表（按提交次数排序）。

• 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