版本 0.13

版本 0.13.1

2013年2月23日

0.13.1 版本仅修复了一些错误，并未增加任何新功能。

更新日志

• 修复了 cross_validation.train_test_split 函数被 Yaroslav Halchenko 误认为是测试的测试错误。

• 修复了 cluster.MiniBatchKMeans 中对小簇重新分配的错误，由 Gael Varoquaux 修复。

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

• 将 joblib 更新至 0.7.0d ，由 Gael Varoquaux 完成。

• 修复了 ensemble.GradientBoostingClassifier 中偏差的比例，由 Peter Prettenhofer 修复。

• 改进了 multiclass.OneVsOneClassifier 中的平局决胜机制，由 Andreas Müller 完成。

• 其他对测试和文档的小改进。

贡献者

按提交次数列出的 0.13.1 版本贡献者名单。

• 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 ，两个数据无关的预测器，由 Mathieu Blondel 实现。用于检查你的估计器的合理性。参见用户指南中的 虚拟估计器 。多输出支持由 Arnaud Joly 添加。

• decomposition.FactorAnalysis ，一个实现经典因子分析的转换器，由 Christian Osendorfer 和 Alexandre Gramfort 实现。参见用户指南中的 因子分析 。

• feature_extraction.FeatureHasher ，一个实现“哈希技巧”的转换器，用于通过 Lars Buitinck 和 feature_extraction.text.HashingVectorizer 对文本文档进行快速、低内存的特征提取，由 Olivier Grisel 开发。请参阅 特征哈希 和 使用哈希技巧向量化大型文本语料库 获取文档和示例用法。

• pipeline.FeatureUnion ，一个通过 Andreas Müller 开发的转换器，用于连接多个其他转换器的结果。请参阅用户指南中的 FeatureUnion: 复合特征空间 。

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

• kernel_approximation.Nystroem ，一个通过 Andreas Müller 开发的转换器，用于近似任意核函数。请参阅用户指南中的 Nystroem 方法用于核近似 。

• preprocessing.OneHotEncoder ，一个通过 Andreas Müller 开发的转换器，用于计算分类特征的二进制编码。请参阅用户指南中的 Encoding categorical features 。

• linear_model.PassiveAggressiveClassifier 和 linear_model.PassiveAggressiveRegressor ，通过 Rob Zinkov 和 Mathieu Blondel 开发的预测器，实现了一种高效的线性模型的随机优化。请参阅用户指南中的 被动攻击算法 。

• ensemble.RandomTreesEmbedding ，一个通过 Andreas Müller 开发的转换器，用于使用完全随机树的集成创建高维稀疏表示。请参阅用户指南中的 完全随机树嵌入 。

• 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，由 Wei

李。参见用户指南中的 谱嵌入 。

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

更新日志

• metrics.zero_one_loss （以前为 metrics.zero_one ）现在有一个标准化输出的选项，报告错误分类的比例，而不是错误分类的原始数量。由 Kyle Beauchamp 编写。

• tree.DecisionTreeClassifier 及其所有派生集合模型现在支持样本加权，由 Noel Dawe 和 Gilles Louppe 编写。

• 在使用随机树森林中的自助样本时，速度改进，由 Peter Prettenhofer 和 Gilles Louppe 编写。

• 梯度提升的偏依赖图在 ensemble.partial_dependence.partial_dependence 中，由 Peter Prettenhofer 编写。参见示例 部分依赖图和个体条件期望图 。

• 网站上的目录现在已变得可展开，由 Jaques Grobler 编写。

• 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 值来排名结果，因此更加数值稳定。这意味着它们有时可能会选择与之前不同的特征。

• 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 Lars Buitinck 和 Fabian Pedregosa 编写。

• 岭回归和岭分类现在支持一种新的快速求解器，称为 lsqr ，由 Mathieu Blondel 编写。

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

• 在 datasets.dump_svmlight_file 中增加了对读写具有成对偏好属性（svmlight 文件格式中的 qid）的 svmlight 文件的支持。 datasets.load_svmlight_file by Fabian Pedregosa 。

• 更快速且更健壮的 metrics.confusion_matrix 和 clustering_evaluation 由 Wei Li 实现。

• cross_validation.cross_val_score 现在支持预计算的核函数 和亲和矩阵，由 Andreas Müller 实现。

• LARS 算法通过启发式方法变得更加数值稳定，这些方法可以丢弃 过于相关的回归变量，并在数值噪声变得占主导地位时停止路径， 由 Gael Varoquaux 实现。

• 更快速的 metrics.precision_recall_curve 实现 由 Conrad Lee 完成。

• 新的核函数 metrics.chi2_kernel 由 Andreas Müller 实现， 常用于计算机视觉应用。

• 长期存在的 naive_bayes.BernoulliNB 错误由 Shaun Jackman 修复。

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

• 改进了梯度提升的一致性：估计器 ensemble.GradientBoostingRegressor 和 ensemble.GradientBoostingClassifier 使用估计器 tree.DecisionTreeRegressor 而不是 tree._tree.Tree 数据结构，由 Arnaud Joly 实现。

• 修复了 决策树 模块中的浮点异常， 由 Seberg 完成。

• 修复了当 y_true 只有一个类别时 metrics.roc_curve 失败的问题， 由 Wei Li 完成。

• 添加了 metrics.mean_absolute_error 函数，用于计算 平均绝对误差。metrics.mean_squared_error 、 metrics.mean_absolute_error 和 metrics.r2_score 指标支持多输出，由 Arnaud Joly 实现。

• 修复了 svm.LinearSVC 和 linear_model.LogisticRegression 中的 class_weight 支持， 由 Andreas Müller 完成。在早期版本中， class_weight 的含义被错误地反转， 即更高的权重意味着给定类别的正例更少。

• 改进了 sklearn.metrics 中回归和分类指标的叙述文档和一致性， 由 Arnaud Joly 完成。

• 修复了在使用带有未排序索引的csr矩阵时，sklearn.svm.SVC 中的一个错误，由Xinfan Meng和 Andreas Müller 完成。

• cluster.MiniBatchKMeans : 添加了随机重新分配具有少量观测值的聚类中心，由 Gael Varoquaux 完成。

API变更总结

• 为了保持一致性，将所有出现的 n_atoms 重命名为 n_components 。这适用于:class:decomposition.DictionaryLearning 、 decomposition.MiniBatchDictionaryLearning 、 decomposition.dict_learning 、decomposition.dict_learning_online 。

• 为了保持一致性，将所有出现的 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，将所有出现的 learn_rate 重命名为 learning_rate 。这适用于 ensemble.BaseGradientBoosting 和 ensemble.GradientBoostingRegressor 。

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

• sklearn.metrics.mean_square_error ，错误地返回了累积误差，已被移除。请改用:func:metrics.mean_squared_error 。

• 不再支持将 class_weight 参数传递给 fit 方法。请改为传递给估计器构造函数。

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

• Ridge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。

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

• 为了保持一致性，将所有出现的 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 中用 l1_ratio 替换了 rho 。 rho 参数有不同的含义；引入 l1_ratio 是为了避免混淆。 它的含义与之前在 linear_model.ElasticNet 中的 rho 相同， 以及在 linear_model.SGDClassifier 中的 (1-rho) 。

• linear_model.LassoLars 和 linear_model.Lars 现在 在多目标情况下存储路径列表，而不是路径数组。

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

• cluster.spectral_embedding 被移动到 manifold.spectral_embedding 。

• 在 manifold.spectral_embedding 和 cluster.SpectralClustering 中将 eig_tol 重命名为 eigen_tol ， 将 mode 重命名为 eigen_solver 。

• 在 manifold.spectral_embedding 和 cluster.SpectralClustering 中将 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中是扁平的， 在多输出问题中是嵌套的。

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

• 在 decomposition.MiniBatchDictionaryLearning 和 decomposition.MiniBatchSparsePCA 中将 chunk_size 重命名为 batch_size ， 以保持一致性。

• svm.SVC 和 svm.NuSVC 现在提供 classes_ 属性， 并支持任意数据类型的标签 y 。

另外， predict 返回的 dtype 现在反映了 fit 期间 y 的 dtype（以前是 np.float ）。

• 更改了 cross_validation.train_test_split 中的默认 test_size 为 None，增加了从 cross_validation.ShuffleSplit 和 cross_validation.StratifiedShuffleSplit 中的 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 移动到 __init__ 。

人员

按提交次数列出的 0.13 版本贡献者名单。

• 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