Version 0.14

7 de agosto de 2013

Registro de cambios

• Los valores faltantes con matrices dispersas y densas pueden ser imputados con el transformador preprocessing.Imputer de Nicolas Trésegnie.

• La implementación central de los árboles de decisiones se ha reescrito desde cero, lo que permite una inducción de árboles más rápida y un menor consumo de memoria en todos los estimadores basados en árboles. Por Gilles Louppe.

• Añadido ensemble.AdaBoostClassifier y ensemble.AdaBoostRegressor, por Noel Dawe y Gilles Louppe. Consulte la sección AdaBoost de la guía del usuario para obtener detalles y ejemplos.

• Añadido grid_search.RandomizedSearchCV y grid_search.ParameterSampler para la optimización aleatoria de hiperparámetros. Por Andreas Müller.

• Añadidos los algoritmos biclustering (sklearn.cluster.bicluster.SpectralCoclustering y sklearn.cluster.bicluster. SpectralBiclustering), métodos de generación de datos (sklearn.datasets.make_biclusters y sklearn.datasets.make_checkerboard), y métricas de puntuación (sklearn.metrics.consensus_score). Por Kemal Eren.

• Añadido Restricted Boltzmann Machines (neural_network.BernoulliRBM). Por Yann Dauphin.

• Soporte de Python 3 por Justin Vincent, Lars Buitinck, Subhodeep Moitra y Olivier Grisel. Todas las pruebas cumplen con Python 3.3.

• Posibilidad de pasar una penalización (valor alfa) por objetivo en linear_model.Ridge, por @eickenberg y Mathieu Blondel.

• Corregido el problema de regularización L2 de sklearn.linear_model.stochastic_gradient.py (menor importancia práctica). Por Norbert Crombach y Mathieu Blondel .

• Añadida una versión interactiva de Andreas Müller’s Machine Learning Cheat Sheet (for scikit-learn) a la documentación. Ver Choosing the right estimator. Por Jaques Grobler.

• grid_search.GridSearchCV y cross_validation.cross_val_score ahora soportan el uso de la función de puntuación avanzada como el área bajo la curva ROC y las puntuaciones f-beta. Ver El parámetro scoring: definir las reglas de evaluación del modelo para más detalles. Por Andreas Müller y Lars Buitinck. Pasar una función de sklearn.metrics como score_func está obsoleto.

• La salida de la clasificación multietiqueta es ahora compatible con metrics.accuracy_score, metrics.zero_one_loss, metrics.f1_score, metrics.fbeta_score, metrics.classification_report, metrics.precision_score y metrics.recall_score por Arnaud Joly.

• Se añaden dos nuevas métricas metrics.hamming_loss y metrics.jaccard_similarity_score con soporte multietiqueta por Arnaud Joly.

• Mejoras de velocidad y uso de memoria en feature_extraction.text.CountVectorizer y feature_extraction.text.TfidfVectorizer, por Jochen Wersdörfer y Roman Sinayev.

• El parámetro min_df en feature_extraction.text.CountVectorizer y feature_extraction.text.TfidfVectorizer, que solía ser 2, se ha reajustado a 1 para evitar sorpresas desagradables (vocabularios vacíos) a los usuarios novatos que lo prueben en pequeñas colecciones de documentos. Se sigue recomendando un valor de al menos 2 para el uso práctico.

• svm.LinearSVC, linear_model.SGDClassifier y linear_model.SGDRegressor tienen ahora un método sparsify que convierte su coef_ en una matriz dispersa, lo que significa que los modelos almacenados entrenados con estos estimadores pueden hacerse mucho más compactos.

• linear_model.SGDClassifier ahora produce estimaciones de probabilidad multiclase cuando se entrena bajo pérdida logarítmica o pérdida de Huber modificada.

• Hipervínculos a la documentación en el código de ejemplo en el sitio web por Martin Luessi.

• Se ha corregido un error en preprocessing.MinMaxScaler que provocaba un escalado incorrecto de las características para los ajustes no predeterminados de feature_range. Por Andreas Müller.

• max_features en tree.DecisionTreeClassifier, tree.DecisionTreeRegressor y todos los estimadores de conjuntos derivados soportan ahora valores porcentuales. Por Gilles Louppe.

• Mejoras de rendimiento en isotonic.IsotonicRegression por Nelle Varoquaux.

• metrics.accuracy_score tiene una opción normalizada para devolver la fracción o el número de muestra correctamente clasificada por Arnaud Joly.

• Added metrics.log_loss that computes log loss, aka cross-entropy loss. By Jochen Wersdörfer and Lars Buitinck.

• Se ha corregido un error que provocaba que el ensemble.AdaBoostClassifier diera lugar a probabilidades incorrectas.

• Los selectores de características ahora comparten un mixin que proporciona métodos consistentes de transform, inverse_transform y get_support. Por Joel Nothman.

• Un grid_search.GridSearchCV o grid_search.RandomizedSearchCV ajustado ahora puede ser generalmente serializado (pickled). Por Joel Nothman.

• Implementación refactorizada y vectorizada de metrics.roc_curve y metrics.precision_recall_curve. Por Joel Nothman.

• El nuevo estimador sklearn.decomposition.TruncatedSVD realiza una reducción de la dimensionalidad mediante SVD en matrices dispersas, y puede utilizarse para el análisis semántico latente (LSA). Por Lars Buitinck.

• Añadido un ejemplo autocontenido de aprendizaje fuera del núcleo en datos de texto Clasificación de documentos de texto fuera del núcleo. Por Eustache Diemert.

• El número de componentes por defecto para sklearn.decomposition.RandomizedPCA está ahora correctamente documentado para ser n_features. Este era el comportamiento por defecto, por lo que los programas que lo utilizan seguirán funcionando como lo hacían.

• sklearn.cluster.KMeans ahora se ajusta varios órdenes de magnitud más rápido en datos dispersos (el aumento de velocidad depende de la dispersidad). Por Lars Buitinck.

• Reducir la huella de memoria de FastICA por Denis Engemann y Alexandre Gramfort.

• La salida detallada en sklearn.ensemble.gradient_boosting ahora utiliza un formato de columna e imprime el progreso en frecuencia decreciente. También muestra el tiempo restante. Por Peter Prettenhofer.

• sklearn.ensemble.gradient_boosting proporciona la mejora out-of-bag oob_improvement_ en lugar de la puntuación OOB para la selección del modelo. Se ha añadido un ejemplo que muestra cómo utilizar las estimaciones OOB para seleccionar el número de árboles. Por Peter Prettenhofer.

• La mayoría de las métricas ahora soportan etiquetas de cadena para clasificación multiclase por Arnaud Joly y Lars Buitinck.

• Nueva clase OrthogonalMatchingPursuitCV por Alexandre Gramfort y Vlad Niculae.

• Se ha corregido un error en sklearn.covariance.GraphLassoCV: el parámetro “alphas” ahora funciona como se esperaba cuando se le da una lista de valores. Por Philippe Gervais.

• Se ha corregido un error importante en sklearn.covariance.GraphLassoCV que impedía utilizar todos los pliegues (folds) proporcionados por un objeto CV (sólo se utilizaban los 3 primeros). Por lo tanto, al proporcionar un objeto CV, el tiempo de ejecución puede aumentar significativamente en comparación con la versión anterior (los resultados del error son correctos ahora). Por Philippe Gervais.

• cross_validation.cross_val_score y el módulo grid_search han sido probados con datos de múltiples salidas por Arnaud Joly.

• datasets.make_multilabel_classification ahora puede devolver la salida en formato de indicador de etiqueta multietiqueta por Arnaud Joly.

• Los vecinos más cercanos a K, neighbors.KNeighborsRegressor y neighbors.RadiusNeighborsRegressor, y los vecinos de radio, neighbors.RadiusNeighborsRegressor y neighbors.RadiusNeighborsClassifier soportan datos de múltiples salidas por Arnaud Joly.

• El estado aleatorio en los estimadores basados en LibSVM (svm.SVC, NuSVC, OneClassSVM, svm.SVR, svm.NuSVR) puede ahora ser controlado. Esto es útil para asegurar la consistencia en las estimaciones de probabilidad para los clasificadores entrenados con probability=True. Por Vlad Niculae.

• Soporte de aprendizaje fuera del núcleo para los clasificadores naive Bayes discretos sklearn.naive_bayes.MultinomialNB y sklearn.naive_bayes.BernoulliNB añadiendo el método partial_fit de Olivier Grisel.

• Nuevo diseño y navegación del sitio web por Gilles Louppe, Nelle Varoquaux, Vincent Michel y Andreas Müller.

• Documentación mejorada de multi-class, multi-label and multi-output classification por Yannick Schwartz y Arnaud Joly.

• Mejora de la gestión de entradas y errores en el módulo metrics por Arnaud Joly y Joel Nothman.

• Optimización de la velocidad del módulo hmm por Mikhail Korobov

• Mejoras significativas en la velocidad de sklearn.cluster.DBSCAN por cleverless

Resumen de cambios en la API

• La función auc_score ha pasado a llamarse roc_auc_score.

• Realizar pruebas scikit-learn con sklearn.test() está obsoleto. Utiliza nosetests sklearn desde la línea de comandos.

• La importancia de las características en tree.DecisionTreeClassifier, tree.DecisionTreeRegressor y todos los estimadores de conjuntos derivados se calculan ahora sobre la marcha cuando se accede al atributo feature_importances_. Ya no es necesario establecer compute_importances=True. Por Gilles Louppe.

• linear_model.lasso_path y linear_model.enet_path pueden devolver sus resultados en el mismo formato que el de linear_model.lars_path. Esto se hace estableciendo el parámetro return_models a False. Por Jaques Grobler y Alexandre Gramfort

• grid_search.IterGrid fue renombrado a grid_search.ParameterGrid.

• Se ha corregido un error en KFold que provocaba un equilibrio imperfecto de las clases en algunos casos. Por Alexandre Gramfort y Tadej Janež.

• Se ha refactorizado sklearn.neighbors.BallTree y se ha añadido una sklearn.neighbors.KDTree que comparte la misma interfaz. El Ball Tree ahora funciona con una amplia variedad de métricas de distancia. Ambas clases tienen muchos métodos nuevos, entre los que se incluyen las consultas de árbol único y de árbol doble, las búsquedas de amplitud y profundidad, y las consultas más avanzadas, como la estimación de la densidad del núcleo y las funciones de correlación de 2 puntos. Por Jake Vanderplas

• Se ha eliminado el soporte para scipy.spatial.cKDTree dentro de las consultas de vecinos, y se ha sustituido la funcionalidad por la nueva clase KDTree.

• Se ha añadido sklearn.neighbors.KernelDensity, que realiza una estimación eficiente de la densidad del núcleo con una variedad de núcleos.

• sklearn.decomposition.KernelPCA ahora siempre devuelve la salida con n_components, a menos que el nuevo parámetro remove_zero_eig se establezca en True. Este nuevo comportamiento es consistente con la forma en que el núcleo PCA siempre fue documentado; anteriormente, la eliminación de componentes con valores propios cero se realizaba tácitamente en todos los datos.

• gcv_mode="auto" ya no intenta realizar la SVD en una matriz dispersa densificada en sklearn.linear_model.RidgeCV.

• El soporte de matrices dispersas en sklearn.decomposition.RandomizedPCA está ahora obsoleto en favor del nuevo TruncatedSVD.

• cross_validation.KFold y cross_validation.StratifiedKFold ahora exigen que n_folds >= 2 de lo contrario se produce un ValueError. Por Olivier Grisel.

• Los parámetros charset y charset_errors de datasets.load_files fueron renombrados como encoding y decode_errors.

• El atributo oob_score_ en sklearn.ensemble.GradientBoostingRegressor y sklearn.ensemble.GradientBoostingClassifier está obsoleto y ha sido sustituido por oob_improvement_.

• Los atributos de OrthogonalMatchingPursuit han quedado obsoletos (copy_X, Gram, …) y precompute_gram ha pasado a llamarse precompute_for_consistency. Ver #2224.

• sklearn.preprocessing.StandardScaler ahora convierte la entrada de enteros a flotantes, y lanza una advertencia. Anteriormente redondeaba para entradas de enteros densos.

• sklearn.multiclass.OneVsRestClassifier tiene ahora un método decision_function. Esto devolverá la distancia de cada muestra desde el límite de decisión para cada clase, siempre que los estimadores subyacentes implementen el método decision_function. Por Kyle Kastner.

• Mejor validación de entrada, advertencia sobre formas inesperadas para y.

Personas

Lista de colaboradores de la versión 0.14.1 por número de commits.

• 277 Gilles Louppe

• 245 Lars Buitinck

• 187 Andreas Mueller

• 124 Arnaud Joly

• 112 Jaques Grobler

• 109 Gael Varoquaux

• 107 Olivier Grisel

• 102 Noel Dawe

• 99 Kemal Eren

• 79 Joel Nothman

• 75 Jake VanderPlas

• 73 Nelle Varoquaux

• 71 Vlad Niculae

• 65 Peter Prettenhofer

• 64 Alexandre Gramfort

• 54 Mathieu Blondel

• 38 Nicolas Trésegnie

• 35 eustache

• 27 Denis Engemann

• 25 Yann N. Dauphin

• 19 Justin Vincent

• 17 Robert Layton

• 15 Doug Coleman

• 14 Michael Eickenberg

• 13 Robert Marchman

• 11 Fabian Pedregosa

• 11 Philippe Gervais

• 10 Jim Holmström

• 10 Tadej Janež

• 10 syhw

• 9 Mikhail Korobov

• 9 Steven De Gryze

• 8 sergeyf

• 7 Ben Root

• 7 Hrishikesh Huilgolkar

• 6 Kyle Kastner

• 6 Martin Luessi

• 6 Rob Speer

• 5 Federico Vaggi

• 5 Raul Garreta

• 5 Rob Zinkov

• 4 Ken Geis

• 3 A. Flaxman

• 3 Denton Cockburn

• 3 Dougal Sutherland

• 3 Ian Ozsvald

• 3 Johannes Schönberger

• 3 Robert McGibbon

• 3 Roman Sinayev

• 3 Szabo Roland

• 2 Diego Molla

• 2 Imran Haque

• 2 Jochen Wersdörfer

• 2 Sergey Karayev

• 2 Yannick Schwartz

• 2 jamestwebber

• 1 Abhijeet Kolhe

• 1 Alexander Fabisch

• 1 Bastiaan van den Berg

• 1 Benjamin Peterson

• 1 Daniel Velkov

• 1 Fazlul Shahriar

• 1 Felix Brockherde

• 1 Félix-Antoine Fortin

• 1 Harikrishnan S

• 1 Jack Hale

• 1 JakeMick

• 1 James McDermott

• 1 John Benediktsson

• 1 John Zwinck

• 1 Joshua Vredevoogd

• 1 Justin Pati

• 1 Kevin Hughes

• 1 Kyle Kelley

• 1 Matthias Ekman

• 1 Miroslav Shubernetskiy

• 1 Naoki Orii

• 1 Norbert Crombach

• 1 Rafael Cunha de Almeida

• 1 Rolando Espinoza La fuente

• 1 Seamus Abshere

• 1 Sergey Feldman

• 1 Sergio Medina

• 1 Stefano Lattarini

• 1 Steve Koch

• 1 Sturla Molden

• 1 Thomas Jarosch

• 1 Yaroslav Halchenko