Version 0.19

Version 0.19.2

Juli 2018

Diese Veröffentlichung dient ausschließlich der Unterstützung von Python 3.7.

Zugehörige Änderungen

• n_iter_ kann in früheren Versionen von linear_model.LogisticRegression mit solver='lbfgs' und linear_model.HuberRegressor abweichen. Für Scipy <= 1.0.0 konnte der Optimierer mehr als die angeforderte maximale Anzahl von Iterationen durchführen. Jetzt melden beide Schätzer höchstens max_iter Iterationen, auch wenn mehr durchgeführt wurden. #10723 von Joel Nothman.

Version 0.19.1

23. Oktober 2017

Dies ist eine Bugfix-Veröffentlichung mit einigen kleineren Verbesserungen an der Dokumentation und Erweiterungen von Funktionen, die in 0.19.0 veröffentlicht wurden.

Beachten Sie, dass es in dieser Version zu geringfügigen Unterschieden in der TSNE-Ausgabe kommen kann (aufgrund von #9623), wenn mehrere Stichproben die gleiche Entfernung zu einer Stichprobe haben.

Änderungsprotokoll

API-Änderungen

• Die Ergänzung von metrics.ndcg_score und metrics.dcg_score, die irrtümlich in Version 0.19.0 übernommen wurden, wurde rückgängig gemacht. Die Implementierungen waren fehlerhaft und nicht dokumentiert.

• return_train_score, das zu model_selection.GridSearchCV, model_selection.RandomizedSearchCV und model_selection.cross_validate in Version 0.19.0 hinzugefügt wurde, wird seinen Standardwert von True auf False in Version 0.21 ändern. Wir haben festgestellt, dass die Berechnung der Trainingsbewertung in einigen Fällen erhebliche Auswirkungen auf die Laufzeit der Kreuzvalidierung haben kann. Benutzer sollten return_train_score explizit auf False setzen, wenn Vorhersage- oder Bewertungsfunktionen langsam sind und sich nachteilig auf die CV-Laufzeit auswirken, oder auf True, wenn sie die berechneten Bewertungen verwenden möchten. #9677 von Kumar Ashutosh und Joel Nothman.

• correlation_models und regression_models aus der Legacy-Implementierung von Gaußschen Prozessen wurden nachträglich als veraltet markiert. #9717 von Kumar Ashutosh.

Fehlerbehebungen

• Vermeidung von Ganzzahl-Überläufen in metrics.matthews_corrcoef. #9693 von Sam Steingold.

• Fehler in der Zielfunktion für manifold.TSNE (sowohl exakt als auch mit der Barnes-Hut-Approximation) behoben, wenn n_components >= 3. #9711 von @goncalo-rodrigues.

• Regression in model_selection.cross_val_predict behoben, bei der mit method='predict_proba' für einige probabilistische Klassifikatoren ein Fehler ausgelöst wurde. #9641 von James Bourbeau.

• Fehler behoben, bei dem datasets.make_classification seine Eingabe weights modifizierte. #9865 von Sachin Kelkar.

• model_selection.StratifiedShuffleSplit funktioniert jetzt mit Multi-Output-Multiklassen- oder Multilabel-Daten mit mehr als 1000 Spalten. #9922 von Charlie Brummitt.

• Fehler bei verschachtelter und bedingter Parameterfestlegung behoben, z. B. gleichzeitige Festlegung eines Pipeline-Schritts und seines Parameters. #9945 von Andreas Müller und Joel Nothman.

Regressionen in 0.19.0 in 0.19.1 behoben

• Fehler behoben, bei dem die parallelisierte Vorhersage in Random Forests nicht threadsicher war und (selten) zu willkürlichen Fehlern führen konnte. #9830 von Joel Nothman.

• Regression in model_selection.cross_val_predict behoben, bei der X nicht mehr als Liste akzeptiert wurde. #9600 von Rasul Kerimov.

• Handhabung von model_selection.cross_val_predict für binäre Klassifizierung mit method='decision_function' behoben. #9593 von Reiichiro Nakano und Kernentwicklern.

• Regression in pipeline.Pipeline behoben, bei der steps nicht mehr als Tupel akzeptiert wurde. #9604 von Joris Van den Bossche.

• Fehler behoben, bei dem n_iter nicht richtig als veraltet gekennzeichnet wurde, wodurch n_iter für die vorläufige Verwendung in linear_model.SGDClassifier, linear_model.SGDRegressor, linear_model.PassiveAggressiveClassifier, linear_model.PassiveAggressiveRegressor und linear_model.Perceptron nicht verfügbar war. #9558 von Andreas Müller.

• Dataset-Fetcher stellen sicher, dass temporäre Dateien vor dem Löschen geschlossen werden, was unter Windows zu Fehlern führte. #9847 von Joan Massich.

• Regression in manifold.TSNE behoben, bei der keine anderen Metriken als 'euclidean' und 'precomputed' mehr unterstützt wurden. #9623 von Oli Blum.

Verbesserungen

• Unsere Testsuite und utils.estimator_checks.check_estimator können jetzt ohne die Installation von Nose ausgeführt werden. #9697 von Joan Massich.

• Zur Verbesserung der Benutzerfreundlichkeit des Caching von pipeline.Pipeline in Version 0.19 kann memory nun Instanzen von joblib.Memory akzeptieren. Dies nutzt den neuen Hilfsfunktion utils.validation.check_memory. #9584 von Kumar Ashutosh

• Einige Korrekturen an Beispielen: #9750, #9788, #9815

• Eine FutureWarning in SGD-basierten Schätzern wurde weniger ausführlich gemacht. #9802 von Vrishank Bhardwaj.

Code- und Dokumentationsmitwirkende

Mit Dank an

Joel Nothman, Loic Esteve, Andreas Mueller, Kumar Ashutosh, Vrishank Bhardwaj, Hanmin Qin, Rasul Kerimov, James Bourbeau, Nagarjuna Kumar, Nathaniel Saul, Olivier Grisel, Roman Yurchak, Reiichiro Nakano, Sachin Kelkar, Sam Steingold, Yaroslav Halchenko, diegodlh, felix, goncalo-rodrigues, jkleint, oliblum90, pasbi, Anthony Gitter, Ben Lawson, Charlie Brummitt, Didi Bar-Zev, Gael Varoquaux, Joan Massich, Joris Van den Bossche, nielsenmarkus11

Version 0.19

12. August 2017

Highlights

Wir freuen uns, eine Reihe großartiger neuer Funktionen vorstellen zu können, darunter neighbors.LocalOutlierFactor zur Anomalieerkennung, preprocessing.QuantileTransformer für robuste Merkmals transformationen und den Meta-Estimator multioutput.ClassifierChain, um Abhängigkeiten zwischen Klassen bei Multilabel-Problemen einfach zu berücksichtigen. Wir haben einige neue Algorithmen in bestehenden Schätzern, wie z. B. Multiplikative Updates in decomposition.NMF und multinomiale linear_model.LogisticRegression mit L1-Verlust (verwenden Sie solver='saga').

Kreuzvalidierung kann nun Ergebnisse von mehreren Metrikauswertungen zurückgeben. Die neue Funktion model_selection.cross_validate kann viele Bewertungen auf Testdaten sowie Leistung auf dem Trainingssatz und Zeitmessungen zurückgeben. Wir haben die Parameter scoring und refit für Grid/Randomized Search erweitert, um mehrere Metriken zu handhaben.

Sie können auch schneller lernen. Zum Beispiel macht die neue Option zum Caching von Transformationen in pipeline.Pipeline Grid-Suche über Pipelines mit langsamen Transformationen deutlich effizienter. Und Sie können schneller vorhersagen: Wenn Sie sicher sind, was Sie tun, können Sie die Überprüfung, ob die Eingabe endlich ist, mit config_context deaktivieren.

Wir haben auch einige wichtige Korrekturen vorgenommen. Wir haben einen langwierigen Implementierungsfehler in metrics.average_precision_score behoben, seien Sie daher vorsichtig mit früheren Ergebnissen, die von dieser Funktion berichtet wurden. Eine Reihe von Fehlern in der Implementierung von manifold.TSNE wurden behoben, insbesondere in der Standard-Barnes-Hut-Approximation. semi_supervised.LabelSpreading und semi_supervised.LabelPropagation wurden erheblich korrigiert. LabelPropagation war zuvor fehlerhaft. LabelSpreading sollte nun seinen Alpha-Parameter korrekt berücksichtigen.

Geänderte Modelle

Die folgenden Schätzer und Funktionen können, wenn sie mit denselben Daten und Parametern angepasst werden, andere Modelle als in der vorherigen Version ergeben. Dies geschieht häufig aufgrund von Änderungen in der Modellierungslogik (Fehlerbehebungen oder Verbesserungen) oder in zufälligen Stichprobenverfahren.

• cluster.KMeans mit sparse X und gegebenen initialen Zentroiden (Bugfix)

• cross_decomposition.PLSRegression mit scale=True (Bugfix)

• ensemble.GradientBoostingClassifier und ensemble.GradientBoostingRegressor, wenn min_impurity_split verwendet wird (Bugfix)

• Gradient Boosting loss='quantile' (Bugfix)

• ensemble.IsolationForest (Bugfix)

• feature_selection.SelectFdr (Bugfix)

• linear_model.RANSACRegressor (Bugfix)

• linear_model.LassoLars (Bugfix)

• linear_model.LassoLarsIC (Bugfix)

• manifold.TSNE (Bugfix)

• neighbors.NearestCentroid (Bugfix)

• semi_supervised.LabelSpreading (Bugfix)

• semi_supervised.LabelPropagation (Bugfix)

• Baumbasierte Modelle, bei denen min_weight_fraction_leaf verwendet wird (Erweiterung)

• model_selection.StratifiedKFold mit shuffle=True (diese Änderung, aufgrund von #7823, wurde zum Zeitpunkt der Veröffentlichung nicht in den Release Notes erwähnt)

Details sind in der folgenden Changelog aufgeführt.

(Obwohl wir uns bemühen, Benutzer durch die Bereitstellung dieser Informationen besser zu informieren, können wir keine Vollständigkeit dieser Liste garantieren.)

Änderungsprotokoll

Neue Funktionen

Klassifikatoren und Regressoren

• Hinzugefügt: multioutput.ClassifierChain für Multilabel-Klassifizierung. Von Adam Kleczewski.

• Hinzugefügt: Solver 'saga', der die verbesserte Version von Stochastic Average Gradient implementiert, in linear_model.LogisticRegression und linear_model.Ridge. Er ermöglicht die Verwendung der L1-Strafe mit multinomialer logistischer Verlustfunktion und verhält sich während der ersten Epochen der Ridge- und logistischen Regression geringfügig besser als 'sag'. #8446 von Arthur Mensch.

Andere Schätzer

• Hinzugefügt: Klasse neighbors.LocalOutlierFactor zur Anomalieerkennung basierend auf nächsten Nachbarn. #5279 von Nicolas Goix und Alexandre Gramfort.

• Hinzugefügt: Klasse preprocessing.QuantileTransformer und Funktion preprocessing.quantile_transform zur Merkmals normalisierung basierend auf Quantilen. #8363 von Denis Engemann, Guillaume Lemaitre, Olivier Grisel, Raghav RV, Thierry Guillemot und Gael Varoquaux.

• Der neue Solver 'mu' implementiert eine multiplikative Aktualisierung in decomposition.NMF und ermöglicht die Optimierung aller Beta-Divergenzen, einschließlich der Frobenius-Norm, der verallgemeinerten Kullback-Leibler-Divergenz und der Itakura-Saito-Divergenz. #5295 von Tom Dupre la Tour.

Modellauswahl und -bewertung

• model_selection.GridSearchCV und model_selection.RandomizedSearchCV unterstützen jetzt die gleichzeitige Auswertung mehrerer Metriken. Weitere Informationen finden Sie im Abschnitt Angabe mehrerer Metriken zur Auswertung des Benutzerhandbuchs. #7388 von Raghav RV

• Hinzugefügt: model_selection.cross_validate, das die Auswertung mehrerer Metriken ermöglicht. Diese Funktion gibt ein Wörterbuch mit nützlicheren Informationen aus der Kreuzvalidierung zurück, wie z. B. Trainingsbewertungen, Fit-Zeiten und Score-Zeiten. Weitere Informationen finden Sie im Abschnitt Die Funktion cross_validate und die Auswertung mehrerer Metriken des Benutzerhandbuchs. #7388 von Raghav RV

• Hinzugefügt: metrics.mean_squared_log_error, das den mittleren quadratischen Fehler der logarithmischen Transformation von Zielwerten berechnet, was besonders nützlich für Zielwerte mit einem exponentiellen Trend ist. #7655 von Karan Desai.

• Hinzugefügt: metrics.dcg_score und metrics.ndcg_score, die Discounted cumulative gain (DCG) und Normalized discounted cumulative gain (NDCG) berechnen. #7739 von David Gasquez.

• Hinzugefügt: model_selection.RepeatedKFold und model_selection.RepeatedStratifiedKFold. #8120 von Neeraj Gangwar.

Verschiedenes

• Die Überprüfung, ob Eingabedaten keine NaN- oder Inf-Werte enthalten, kann nun mit config_context unterdrückt werden, auf eigene Gefahr. Dies spart Laufzeit und kann besonders für die Vorhersagezeit nützlich sein. #7548 von Joel Nothman.

• Test hinzugefügt, um sicherzustellen, dass die Parameterliste in Docstrings mit der Signatur von Funktion/Klasse übereinstimmt. #9206 von Alexandre Gramfort und Raghav RV.

Erweiterungen

Bäume und Ensembles

• Die Beschränkung min_weight_fraction_leaf bei der Baumkonstruktion ist nun effizienter. Sie wählt einen schnellen Pfad, um einen Knoten als Blatt zu deklarieren, wenn sein Gewicht kleiner als das Zweifache des Minimums ist. Beachten Sie, dass der konstruierte Baum vom vorherigen Versionen abweicht, wenn min_weight_fraction_leaf verwendet wird. #7441 von Nelson Liu.

• ensemble.GradientBoostingClassifier und ensemble.GradientBoostingRegressor unterstützen nun sparse Eingaben für die Vorhersage. #6101 von Ibraim Ganiev.

• ensemble.VotingClassifier erlaubt nun die Änderung von Schätzern durch Verwendung von ensemble.VotingClassifier.set_params. Ein Schätzer kann auch durch Setzen auf None entfernt werden. #7674 von Yichuan Liu.

• tree.export_graphviz zeigt nun die konfigurierbare Anzahl von Dezimalstellen an. #8698 von Guillaume Lemaitre.

• Hinzugefügter Parameter flatten_transform zu ensemble.VotingClassifier, um die Ausgabeform der transform Methode auf 2 Dimensionen zu ändern. #7794 von Ibraim Ganiev und Herilalaina Rakotoarison.

Lineare, kernelisierte und verwandte Modelle

• linear_model.SGDClassifier, linear_model.SGDRegressor, linear_model.PassiveAggressiveClassifier, linear_model.PassiveAggressiveRegressor und linear_model.Perceptron exponieren nun die Parameter max_iter und tol, um die Konvergenz präziser zu steuern. Der Parameter n_iter ist veraltet, und der angepasste Schätzer exponiert ein Attribut n_iter_ mit der tatsächlichen Anzahl von Iterationen vor der Konvergenz. #5036 von Tom Dupre la Tour.

• Hinzugefügter Parameter average, um die Gewichtungsmittelung in linear_model.PassiveAggressiveClassifier durchzuführen. #4939 von Andrea Esuli.

• linear_model.RANSACRegressor wirft beim Aufruf von fit keinen Fehler mehr, wenn in der ersten Iteration keine Inlier gefunden werden. Darüber hinaus werden die Ursachen für übersprungene Iterationen in neu hinzugefügten Attributen, n_skips_*, verfolgt. #7914 von Michael Horrell.

• In gaussian_process.GaussianProcessRegressor ist die Methode predict mit return_std=True erheblich schneller. #8591 von Hadrien Bertrand.

• Hinzugefügter Parameter return_std zur Methode predict von linear_model.ARDRegression und linear_model.BayesianRidge. #7838 von Sergey Feldman.

• Speicherverbrauchverbesserungen: Verhindert die Umwandlung von float32 in float64 in: linear_model.MultiTaskElasticNet; linear_model.LogisticRegression bei Verwendung des newton-cg-Solvers; und linear_model.Ridge bei Verwendung der svd-, sparse_cg-, cholesky- oder lsqr-Solver. #8835, #8061 von Joan Massich und Nicolas Cordier und Thierry Guillemot.

Andere Prädiktoren

• Benutzerdefinierte Metriken für die binären Bäume von sklearn.neighbors haben nun weniger Einschränkungen: sie müssen zwei 1D-Arrays entgegennehmen und einen Float zurückgeben. #6288 von Jake Vanderplas.

• algorithm='auto' in sklearn.neighbors-Schätzern wählt nun den am besten geeigneten Algorithmus für alle Eingabetypen und Metriken aus. #9145 von Herilalaina Rakotoarison und Reddy Chinthala.

Dekompression, Manifold Learning und Clustering

• cluster.MiniBatchKMeans und cluster.KMeans verwenden nun deutlich weniger Speicher beim Zuweisen von Datenpunkten zu ihren nächsten Cluster-Zentren. #7721 von Jon Crall.

• decomposition.PCA, decomposition.IncrementalPCA und decomposition.TruncatedSVD exponieren nun die Singulärwerte aus der zugrundeliegenden SVD. Sie werden im Attribut singular_values_ gespeichert, wie in decomposition.IncrementalPCA. #7685 von Tommy Löfstedt

• decomposition.NMF ist nun schneller, wenn beta_loss=0 ist. #9277 von @hongkahjun.

• Speicherverbrauchverbesserungen für die Methode barnes_hut in manifold.TSNE #7089 von Thomas Moreau und Olivier Grisel.

• Verbesserungen des Optimierungsplans für Barnes-Hut manifold.TSNE, sodass die Ergebnisse näher an denen der Referenzimplementierung lvdmaaten/bhtsne liegen, von Thomas Moreau und Olivier Grisel.

• Speicherverbrauchverbesserungen: Verhindert die Umwandlung von float32 in float64 in decomposition.PCA und decomposition.randomized_svd_low_rank. #9067 von Raghav RV.

Vorbereitung und Merkmalsauswahl

• Hinzugefügter Parameter norm_order zu feature_selection.SelectFromModel, um die Auswahl der Normordnung zu ermöglichen, wenn coef_ mehr als 1D ist. #6181 von Antoine Wendlinger.

• Möglichkeit hinzugefügt, Sparse-Matrizen in feature_selection.f_regression mit center=True zu verwenden. #8065 von Daniel LeJeune.

• Kleine Leistungsverbesserung bei der Erstellung von n-Grammen in sklearn.feature_extraction.text durch Bindung von Methoden für Schleifen und Spezialbehandlung von Unigrammen. #7567 von Jaye Doepke

• Annahme über die Daten für kernel_approximation.SkewedChi2Sampler gelockert. Da der Skewed-Chi2-Kernel auf dem offenen Intervall \((-skewedness; +\infty)^d\) definiert ist, sollte die Transform-Funktion nicht prüfen, ob X < 0, sondern ob X < -self.skewedness. #7573 von Romain Brault.

• Standard-Kernelparameter wurden in kernel_approximation.Nystroem von den Kerneln abhängig gemacht. #5229 von Saurabh Bansod und Andreas Müller.

Modellbewertung und Meta-Estimators

• pipeline.Pipeline kann nun Transformer innerhalb einer Pipeline durch Verwendung des Konstruktorparameters memory cachen. #7990 von Guillaume Lemaitre.

• Schritte von pipeline.Pipeline können nun als Attribute des named_steps-Attributs zugegriffen werden. #8586 von Herilalaina Rakotoarison.

• Hinzugefügter Parameter sample_weight zu pipeline.Pipeline.score. #7723 von Mikhail Korobov.

• Möglichkeit hinzugefügt, den Parameter n_jobs zu pipeline.make_union zu setzen. Für alle anderen kwargs wird ein TypeError ausgelöst. #8028 von Alexander Booth.

• model_selection.GridSearchCV, model_selection.RandomizedSearchCV und model_selection.cross_val_score erlauben nun Schätzer mit aufrufbaren Kerneln, die zuvor verboten waren. #8005 von Andreas Müller .

• model_selection.cross_val_predict gibt nun die Ausgabe der korrekten Form für alle Werte des Arguments method zurück. #7863 von Aman Dalmia.

• Hinzugefügte Parameter shuffle und random_state, um Trainingsdaten zu mischen, bevor Präfixe davon basierend auf Trainingsgrößen in model_selection.learning_curve genommen werden. #7506 von Narine Kokhlikyan.

• model_selection.StratifiedShuffleSplit funktioniert nun mit Multi-Output-Multiklassen- (oder Multilabel-) Daten. #9044 von Vlad Niculae.

• Geschwindigkeitsverbesserungen für model_selection.StratifiedShuffleSplit. #5991 von Arthur Mensch und Joel Nothman.

• Hinzugefügter Parameter shuffle zu model_selection.train_test_split. #8845 von themrmax

• multioutput.MultiOutputRegressor und multioutput.MultiOutputClassifier unterstützen nun Online-Lernen mit partial_fit. :issue: 8053 von Peng Yu.

• Hinzugefügter Parameter max_train_size zu model_selection.TimeSeriesSplit #8282 von Aman Dalmia.

• Weitere Clustering-Metriken sind nun über metrics.get_scorer und scoring-Parameter verfügbar. #8117 von Raghav RV.

• Ein Scorer basierend auf metrics.explained_variance_score ist ebenfalls verfügbar. #9259 von Hanmin Qin.

Metriken

• metrics.matthews_corrcoef unterstützt nun Multiklassen-Klassifizierung. #8094 von Jon Crall.

• Hinzugefügter Parameter sample_weight zu metrics.cohen_kappa_score. #8335 von Victor Poughon.

Verschiedenes

• utils.estimator_checks.check_estimator versucht nun sicherzustellen, dass Methoden wie transform, predict etc. keine Attribute auf dem Schätzer setzen. #7533 von Ekaterina Krivich.

• Typenprüfung zum Parameter accept_sparse in den Methoden von sklearn.utils.validation hinzugefügt. Dieser Parameter akzeptiert nun nur noch boolesche Werte, Strings oder Listen/Tupel von Strings. accept_sparse=None ist veraltet und sollte durch accept_sparse=False ersetzt werden. #7880 von Josh Karnofsky.

• Möglichkeit hinzugefügt, einen Teil einer svmlight-formatierten Datei zu laden, indem ein Byte-Bereich an datasets.load_svmlight_file übergeben wird. #935 von Olivier Grisel.

• dummy.DummyClassifier und dummy.DummyRegressor akzeptieren nun nicht-endliche Merkmale. #8931 von @Attractadore.

Fehlerbehebungen

Bäume und Ensembles

• Speicherleck in Bäumen behoben, wenn Bäume mit criterion='mae' verwendet wurden. #8002 von Raghav RV.

• Fehler behoben, bei dem ensemble.IsolationForest eine falsche Formel für die durchschnittliche Pfadlänge verwendet. #8549 von Peter Wang.

• Fehler behoben, bei dem ensemble.AdaBoostClassifier eine ZeroDivisionError auslöst, wenn Daten mit einzelnen Klassenbezeichnungen angepasst werden. #7501 von Dominik Krzeminski.

• Fehler behoben in ensemble.GradientBoostingClassifier und ensemble.GradientBoostingRegressor, wo ein Float, der mit 0.0 mittels == verglichen wurde, zu einem Divisionsfehler führte. #7970 von He Chen.

• Fehler behoben, bei dem ensemble.GradientBoostingClassifier und ensemble.GradientBoostingRegressor den Parameter min_impurity_split ignorierten. #8006 von Sebastian Pölsterl.

• Korrigierter oob_score in ensemble.BaggingClassifier. #8936 von Michael Lewis

• Übermäßiger Speicherverbrauch bei der Vorhersage für Random Forest-Schätzer behoben. #8672 von Mike Benfield.

• Fehler behoben, bei dem sample_weight als Liste bei Random Forests in Python 2 Probleme verursachte #8068 von @xor.

• Fehler behoben, bei dem ensemble.IsolationForest fehlschlägt, wenn max_features kleiner als 1 ist. #5732 von Ishank Gulati.

• Fehler behoben, bei dem Gradient Boosting mit loss='quantile' negative Fehler für negative Werte von ytrue - ypred berechnete, was zu falschen Werten beim Aufruf von __call__ führte. #8087 von Alexis Mignon

• Fehler behoben, bei dem ensemble.VotingClassifier einen Fehler auslöst, wenn ein NumPy-Array für Gewichte übergeben wird. #7983 von Vincent Pham.

• Fehler behoben, bei dem tree.export_graphviz einen Fehler auslöste, wenn die Länge von features_names nicht mit n_features im Entscheidungsbaum übereinstimmte. #8512 von Li Li.

Lineare, kernelisierte und verwandte Modelle

• Fehler behoben, bei dem linear_model.RANSACRegressor.fit bis zu max_iter laufen kann, wenn er früh eine große Inlier-Gruppe findet. #8251 von @aivision2020.

• Fehler behoben, bei dem naive_bayes.MultinomialNB und naive_bayes.BernoulliNB fehlschlagen, wenn alpha=0 ist. #5814 von Yichuan Liu und Herilalaina Rakotoarison.

• Fehler behoben, bei dem linear_model.LassoLars nicht das gleiche Ergebnis wie die in R verfügbare LassoLars-Implementierung (lars-Bibliothek) liefert. #7849 von Jair Montoya Martinez.

• Fehler behoben in linear_model.RandomizedLasso, linear_model.Lars, linear_model.LassoLars, linear_model.LarsCV und linear_model.LassoLarsCV, bei dem der Parameter precompute nicht konsistent über die Klassen hinweg verwendet wurde und einige im Docstring vorgeschlagene Werte Fehler auslösen konnten. #5359 von Tom Dupre la Tour.

• Inkonsistente Ergebnisse zwischen linear_model.RidgeCV und linear_model.Ridge bei Verwendung von normalize=True behoben. #9302 von Alexandre Gramfort.

• Behebung eines Fehlers, bei dem linear_model.LassoLars.fit coef_ manchmal als Liste und nicht als ndarray zurückgab. #8160 von CJ Carey.

• Behebung eines Fehlers in linear_model.BayesianRidge.fit, damit die Ridge-Parameter alpha_ und lambda_ konsistent mit den berechneten Koeffizienten coef_ und intercept_ zurückgegeben werden. #8224 von Peter Gedeck.

• Behebung eines Fehlers in svm.OneClassSVM, wo Floats anstelle von Integer-Klassen zurückgegeben wurden. #8676 von Vathsala Achar.

• Behebung der Berechnung der AIC/BIC-Kriterien in linear_model.LassoLarsIC. #9022 von Alexandre Gramfort und Mehmet Basbug.

• Behebung eines Speicherlecks in unserer LibLinear-Implementierung. #9024 von Sergei Lebedev

• Behebung eines Fehlers, bei dem Stratified CV-Splitter nicht mit linear_model.LassoCV funktionierten. #8973 von Paulo Haddad.

• Behebung eines Fehlers in gaussian_process.GaussianProcessRegressor, bei dem die Standardabweichung und Kovarianz, die ohne fitten vorhergesagt wurden, standardmäßig mit einer bedeutungslosen Fehlermeldung fehlschlugen. #6573 von Quazi Marufur Rahman und Manoj Kumar.

Andere Prädiktoren

• Korrektur von semi_supervised.BaseLabelPropagation, um LabelPropagation und LabelSpreading korrekt zu implementieren, wie in den referenzierten Arbeiten beschrieben. #9239 von Andre Ambrosio Boechat, Utkarsh Upadhyay und Joel Nothman.

Dekompression, Manifold Learning und Clustering

• Behebung der Implementierung von manifold.TSNE

• Der Parameter early_exaggeration hatte keine Auswirkung und wird nun für die ersten 250 Optimierungsiterationen verwendet.

• Behebung der Ausnahme AssertionError: Tree consistency failed, wie in #8992 berichtet.

• Verbesserung des Lernplans, um mit der Referenzimplementierung lvdmaaten/bhtsne übereinzustimmen. von Thomas Moreau und Olivier Grisel.

• Behebung eines Fehlers in decomposition.LatentDirichletAllocation, bei dem die Methode perplexity falsche Ergebnisse lieferte, da die Methode transform ab Version 0.18 normalisierte Dokumenten-Topic-Verteilungen zurückgab. #7954 von Gary Foreman.

• Behebung der Ausgabeform und Fehler bei n_jobs > 1 in decomposition.SparseCoder transform und decomposition.sparse_encode für eindimensionale Daten und eine Komponente. Dies wirkt sich auch auf die Ausgabeform von decomposition.DictionaryLearning aus. #8086 von Andreas Müller.

• Behebung der Implementierung von explained_variance_ in decomposition.PCA, decomposition.RandomizedPCA und decomposition.IncrementalPCA. #9105 von Hanmin Qin.

• Behebung der Implementierung von noise_variance_ in decomposition.PCA. #9108 von Hanmin Qin.

• Behebung eines Fehlers, bei dem cluster.DBSCAN ein falsches Ergebnis lieferte, wenn die Eingabe eine vortrainierte dünne Matrix mit anfänglich nur Nullen war. #8306 von Akshay Gupta

• Behebung eines Fehlers beim Anpassen von cluster.KMeans mit einem dünnen Array X und anfänglichen Zentroiden, bei dem die Mittelwerte von X unnötigerweise von den Zentroiden subtrahiert wurden. #7872 von Josh Karnofsky.

• Korrekturen an der Eingabevalidierung in covariance.EllipticEnvelope. #8086 von Andreas Müller.

• Behebung eines Fehlers in covariance.MinCovDet, bei dem die Eingabe von Daten, die eine singuläre Kovarianzmatrix erzeugten, dazu führte, dass die Hilfsmethode _c_step eine Ausnahme auslöste. #3367 von Jeremy Steward

• Behebung eines Fehlers in manifold.TSNE, der die Konvergenz des Gradientenabstiegs beeinträchtigte. #8768 von David DeTomaso.

• Behebung eines Fehlers in manifold.TSNE, bei dem die falsche kl_divergence_ gespeichert wurde. #6507 von Sebastian Saeger.

• Behebung einer fehlerhaften Skalierung in cross_decomposition.PLSRegression mit scale=True. #7819 von jayzed82.

• Die Methode fit von cluster.SpectralCoclustering und cluster.SpectralBiclustering entspricht der API, indem sie y akzeptiert und das Objekt zurückgibt. #6126, #7814 von Laurent Direr und Maniteja Nandana.

• Behebung eines Fehlers, bei dem die sample-Methoden von sklearn.mixture nicht die angeforderte Anzahl von Samples zurückgaben. #7702 von Levi John Wolf.

• Behebung der Shrinkage-Implementierung in neighbors.NearestCentroid. #9219 von Hanmin Qin.

Vorbereitung und Merkmalsauswahl

• Für dünne Matrizen wird preprocessing.normalize mit return_norm=True nun eine NotImplementedError mit der Norm 'l1' oder 'l2' auslösen und mit der Norm 'max' werden die zurückgegebenen Normen die gleichen sein wie für dichte Matrizen. #7771 von Ang Lu.

• Behebung eines Fehlers, bei dem feature_selection.SelectFdr das Benjamini-Hochberg-Verfahren nicht exakt implementierte. Es konnte früher weniger Merkmale auswählen als beabsichtigt. #7490 von Peng Meng.

• Behebung eines Fehlers, bei dem linear_model.RandomizedLasso und linear_model.RandomizedLogisticRegression für dünne Eingaben fehlschlagen. #8259 von Aman Dalmia.

• Behebung eines Fehlers, bei dem feature_extraction.FeatureHasher mandatorisch eine dünne Zufallsprojektion auf die gehashten Merkmale anwandte, was die Verwendung von feature_extraction.text.HashingVectorizer in einer Pipeline mit feature_extraction.text.TfidfTransformer verhinderte. #7565 von Roman Yurchak.

• Behebung eines Fehlers, bei dem feature_selection.mutual_info_regression n_neighbors nicht korrekt verwendete. #8181 von Guillaume Lemaitre.

Modellbewertung und Meta-Estimators

• Behebung eines Fehlers, bei dem model_selection.BaseSearchCV.inverse_transform self.best_estimator_.transform() anstelle von self.best_estimator_.inverse_transform() zurückgab. #8344 von Akshay Gupta und Rasmus Eriksson.

• Hinzufügen des Attributs classes_ zu model_selection.GridSearchCV, model_selection.RandomizedSearchCV, grid_search.GridSearchCV und grid_search.RandomizedSearchCV, das mit dem Attribut classes_ von best_estimator_ übereinstimmt. #7661 und #8295 von Alyssa Batula, Dylan Werner-Meier und Stephen Hoover.

• Behebung eines Fehlers, bei dem model_selection.validation_curve denselben Schätzer für jeden Parameterwert wiederverwendete. #7365 von Aleksandr Sandrovskii.

• model_selection.permutation_test_score funktioniert nun mit Pandas-Typen. #5697 von Stijn Tonk.

• Mehrere Korrekturen an der Eingabevalidierung in multiclass.OutputCodeClassifier #8086 von Andreas Müller.

• partial_fit von multiclass.OneVsOneClassifier stellt nun sicher, dass alle Klassen im Voraus bereitgestellt werden. #6250 von Asish Panda.

• Korrektur von multioutput.MultiOutputClassifier.predict_proba, damit eine Liste von 2D-Arrays und nicht ein 3D-Array zurückgegeben wird. In Fällen, in denen unterschiedliche Zielspalten unterschiedliche Klassenzahlen aufwiesen, wurde ein ValueError beim Versuch, Matrizen mit unterschiedlichen Dimensionen zu stapeln, ausgelöst. #8093 von Peter Bull.

• Kreuzvalidierung funktioniert nun mit Pandas-Datentypen, die einen schreibgeschützten Index haben. #9507 von Loic Esteve.

Metriken

• metrics.average_precision_score interpoliert nun nicht mehr linear zwischen den Betriebspunkten, sondern gewichtet die Präzision mit der Änderung des Recalls seit dem letzten Betriebspunkt, gemäß dem Wikipedia-Eintrag. (#7356). Von Nick Dingwall und Gael Varoquaux.

• Behebung eines Fehlers in metrics.classification._check_targets, der 'binary' zurückgab, wenn y_true und y_pred beide 'binary' waren, aber die Vereinigung von y_true und y_pred 'multiclass' war. #8377 von Loic Esteve.

• Behebung eines Integer-Überlauffehlers in metrics.confusion_matrix und damit in metrics.cohen_kappa_score. #8354, #7929 von Joel Nothman und Jon Crall.

• Weitergabe des gamma-Parameters an den chi2-Kernel in metrics.pairwise.pairwise_kernels korrigiert #5211 von Nick Rhinehart, Saurabh Bansod und Andreas Müller.

Verschiedenes

• Behebung eines Fehlers, bei dem datasets.make_classification fehlschlug, wenn mehr als 30 Merkmale generiert wurden. #8159 von Herilalaina Rakotoarison.

• Behebung eines Fehlers, bei dem datasets.make_moons ein falsches Ergebnis lieferte, wenn n_samples ungerade war. #8198 von Josh Levy.

• Einige fetch_-Funktionen in sklearn.datasets ignorierten das Schlüsselwort download_if_missing. #7944 von Ralf Gommers.

• Korrektur von Estimators, um einen sample_weight-Parameter vom Typ pandas.Series in ihrer fit-Funktion zu akzeptieren. #7825 von Kathleen Chen.

• Behebung eines Fehlers in Fällen, in denen numpy.cumsum numerisch instabil sein kann, wodurch eine Ausnahme ausgelöst wird, wenn Instabilität identifiziert wird. #7376 und #7331 von Joel Nothman und @yangarbiter.

• Behebung eines Fehlers, bei dem base.BaseEstimator.__getstate__ die Anpassungen der Kindklassen am Pickling behinderte, wenn sie in einem Mehrfachvererbungs-Kontext verwendet wurden. #8316 von Holger Peters.

• Aktualisierung von Sphinx-Gallery von 0.1.4 auf 0.1.7 zur Auflösung von Links im Dokumentations-Build mit Sphinx>1.5 #8010, #7986 von Oscar Najera

• Hinzufügen des Parameters data_home zu sklearn.datasets.fetch_kddcup99. #9289 von Loic Esteve.

• Behebung von Dataset-Loadern, die die Python 3-Version von makedirs verwenden, damit sie auch unter Python 2 funktionieren. #9284 von Sebastin Santy.

• Mehrere kleinere Fehler wurden mit Dank an die Hinweise von lgtm.com behoben. #9278 von Jean Helie, unter anderem.

Zusammenfassung der API-Änderungen

Bäume und Ensembles

• Gradient Boosting Basismodelle sind keine Estimators mehr. Von Andreas Müller.

• Alle baumbasierten Estimators akzeptieren nun einen Parameter min_impurity_decrease anstelle von min_impurity_split, der nun als veraltet gilt. min_impurity_decrease hilft, die Aufteilung von Knoten zu stoppen, bei denen die gewichtete Verringerung der Unreinheit durch die Aufteilung nicht mehr mindestens min_impurity_decrease beträgt. #8449 von Raghav RV.

Lineare, kernelisierte und verwandte Modelle

• Der Parameter n_iter ist in linear_model.SGDClassifier, linear_model.SGDRegressor, linear_model.PassiveAggressiveClassifier, linear_model.PassiveAggressiveRegressor und linear_model.Perceptron veraltet. Von Tom Dupre la Tour.

Andere Prädiktoren

• neighbors.LSHForest wurde veraltet und wird in 0.21 aufgrund schlechter Leistung entfernt. #9078 von Laurent Direr.

• neighbors.NearestCentroid unterstützt nicht mehr metric='precomputed', was nun einen Fehler auslöst. #8515 von Sergul Aydore.

• Der Parameter alpha von semi_supervised.LabelPropagation hat keine Auswirkung mehr und wird mit der Entfernung in 0.21 als veraltet markiert. #9239 von Andre Ambrosio Boechat, Utkarsh Upadhyay und Joel Nothman.

Dekompression, Manifold Learning und Clustering

• Der Parameter doc_topic_distr der Methode perplexity in decomposition.LatentDirichletAllocation wurde als veraltet markiert, da der Benutzer keinen Zugriff mehr auf die unnormalisierte Dokument-Themen-Verteilung hat, die für die Berechnung der Perplexität benötigt wird. #7954 von Gary Foreman.

• Der Parameter n_topics von decomposition.LatentDirichletAllocation wurde in n_components umbenannt und wird in Version 0.21 entfernt. #8922 von @Attractadore.

• Der Parameter ridge_alpha von decomposition.SparsePCA.transform ist zugunsten des Klassenparameters veraltet. #8137 von Naoya Kanai.

• cluster.DBSCAN verfügt nun über einen Parameter metric_params. #8139 von Naoya Kanai.

Vorbereitung und Merkmalsauswahl

• feature_selection.SelectFromModel verfügt nun über eine Methode partial_fit, aber nur, wenn der zugrunde liegende Schätzer dies ebenfalls tut. Von Andreas Müller.

• feature_selection.SelectFromModel validiert nun den Parameter threshold und setzt das Attribut threshold_ während des Aufrufs von fit, und nicht mehr während des Aufrufs von transform. Von Andreas Müller.

• Der Parameter non_negative in feature_extraction.FeatureHasher ist veraltet und wurde durch eine prinzipientreue Alternative, alternate_sign, ersetzt. #7565 von Roman Yurchak.

• linear_model.RandomizedLogisticRegression und linear_model.RandomizedLasso sind veraltet und werden in Version 0.21 entfernt. #8995 von Ramana.S.

Modellbewertung und Meta-Estimators

• Der Konstruktoreingang fit_params für model_selection.GridSearchCV und model_selection.RandomizedSearchCV ist veraltet und wird durch die Übergabe von Schlüsselwortparametern an die fit-Methoden dieser Klassen ersetzt. Datenabhängige Parameter, die für das Modelltraining benötigt werden, sollten als Schlüsselwortargumente an fit übergeben werden. Die Einhaltung dieser Konvention ermöglicht die Verwendung der Hyperparameter-Auswahlklassen mit Werkzeugen wie model_selection.cross_val_predict. #2879 von Stephen Hoover.

• In Version 0.21 wird sich das Standardverhalten von Splittern, die die Parameter test_size und train_size verwenden, ändern. Wenn nur train_size angegeben wird, wird test_size als der Rest behandelt. #7459 von Nelson Liu.

• multiclass.OneVsRestClassifier verfügt nun über die Methoden partial_fit, decision_function und predict_proba, aber nur, wenn der zugrunde liegende Schätzer dies ebenfalls tut. #7812 von Andreas Müller und Mikhail Korobov.

• multiclass.OneVsRestClassifier verfügt nun über eine Methode partial_fit, aber nur, wenn der zugrunde liegende Schätzer dies ebenfalls tut. Von Andreas Müller.

• Die Ausgabeform der decision_function für binäre Klassifizierung in multiclass.OneVsRestClassifier und multiclass.OneVsOneClassifier ist nun (n_samples,), um den Konventionen von scikit-learn zu entsprechen. #9100 von Andreas Müller.

• Die Funktion multioutput.MultiOutputClassifier.predict_proba gab früher ein 3D-Array (n_samples, n_classes, n_outputs) zurück. In Fällen, in denen verschiedene Zielspalten unterschiedliche Klassenzahlen hatten, wurde ein ValueError ausgelöst, wenn versucht wurde, Matrizen mit unterschiedlichen Dimensionen zu stapeln. Diese Funktion gibt nun eine Liste von Arrays zurück, wobei die Länge der Liste n_outputs ist und jedes Array für diesen speziellen Output (n_samples, n_classes) ist. #8093 von Peter Bull.

• Das Attribut named_steps dict in pipeline.Pipeline wurde durch utils.Bunch ersetzt, um die Tab-Vervollständigung in interaktiven Umgebungen zu ermöglichen. Im Falle eines Konflikts zwischen den Werten von named_steps und dem dict-Attribut wird das dict-Verhalten priorisiert. #8481 von Herilalaina Rakotoarison.

Verschiedenes

• Der Parameter y in transform und inverse_transform ist veraltet. Die Methode sollte keinen y-Parameter akzeptieren, da dieser zur Vorhersagezeit verwendet wird. #8174 von Tahar Zanouda, Alexandre Gramfort und Raghav RV.

• SciPy >= 0.13.3 und NumPy >= 1.8.2 sind nun die minimal unterstützten Versionen für scikit-learn. Die folgenden zurückportierten Funktionen in sklearn.utils wurden entsprechend entfernt oder als veraltet markiert. #8854 und #8874 von Naoya Kanai

• Die Parameter store_covariances und covariances_ von discriminant_analysis.QuadraticDiscriminantAnalysis wurden in store_covariance und covariance_ umbenannt, um mit den entsprechenden Parameternamen von discriminant_analysis.LinearDiscriminantAnalysis übereinzustimmen. Sie werden in Version 0.21 entfernt. #7998 von Jiacheng

  Entfernt in 0.19

  • utils.fixes.argpartition

  • utils.fixes.array_equal

  • utils.fixes.astype

  • utils.fixes.bincount

  • utils.fixes.expit

  • utils.fixes.frombuffer_empty

  • utils.fixes.in1d

  • utils.fixes.norm

  • utils.fixes.rankdata

  • utils.fixes.safe_copy

  Veraltet in 0.19, wird in 0.21 entfernt

  • utils.arpack.eigs

  • utils.arpack.eigsh

  • utils.arpack.svds

  • utils.extmath.fast_dot

  • utils.extmath.logsumexp

  • utils.extmath.norm

  • utils.extmath.pinvh

  • utils.graph.graph_laplacian

  • utils.random.choice

  • utils.sparsetools.connected_components

  • utils.stats.rankdata

• Schätzer mit beiden Methoden decision_function und predict_proba müssen nun eine monotone Beziehung zwischen ihnen haben. Die Methode check_decision_proba_consistency wurde in utils.estimator_checks hinzugefügt, um deren Konsistenz zu überprüfen. #7578 von Shubham Bhardwaj

• Alle Prüfungen in utils.estimator_checks, insbesondere utils.estimator_checks.check_estimator, akzeptieren nun Schätzerinstanzen. Die meisten anderen Prüfungen akzeptieren keine Schätzerklassen mehr. #9019 von Andreas Müller.

• Es wird sichergestellt, dass Attribute von Schätzern, die mit _ enden, nicht im Konstruktor, sondern erst in der fit-Methode gesetzt werden. Insbesondere haben Ensemble-Schätzer (die von ensemble.BaseEnsemble abgeleitet sind) self.estimators_ erst nach fit verfügbar. #7464 von Lars Buitinck und Loic Esteve.

Code- und Dokumentationsbeitragende

Vielen Dank an alle, die seit Version 0.18 zur Wartung und Verbesserung des Projekts beigetragen haben, darunter

Joel Nothman, Loic Esteve, Andreas Mueller, Guillaume Lemaitre, Olivier Grisel, Hanmin Qin, Raghav RV, Alexandre Gramfort, themrmax, Aman Dalmia, Gael Varoquaux, Naoya Kanai, Tom Dupré la Tour, Rishikesh, Nelson Liu, Taehoon Lee, Nelle Varoquaux, Aashil, Mikhail Korobov, Sebastin Santy, Joan Massich, Roman Yurchak, RAKOTOARISON Herilalaina, Thierry Guillemot, Alexandre Abadie, Carol Willing, Balakumaran Manoharan, Josh Karnofsky, Vlad Niculae, Utkarsh Upadhyay, Dmitry Petrov, Minghui Liu, Srivatsan, Vincent Pham, Albert Thomas, Jake VanderPlas, Attractadore, JC Liu, alexandercbooth, chkoar, Óscar Nájera, Aarshay Jain, Kyle Gilliam, Ramana Subramanyam, CJ Carey, Clement Joudet, David Robles, He Chen, Joris Van den Bossche, Karan Desai, Katie Luangkote, Leland McInnes, Maniteja Nandana, Michele Lacchia, Sergei Lebedev, Shubham Bhardwaj, akshay0724, omtcyfz, rickiepark, waterponey, Vathsala Achar, jbDelafosse, Ralf Gommers, Ekaterina Krivich, Vivek Kumar, Ishank Gulati, Dave Elliott, ldirer, Reiichiro Nakano, Levi John Wolf, Mathieu Blondel, Sid Kapur, Dougal J. Sutherland, midinas, mikebenfield, Sourav Singh, Aseem Bansal, Ibraim Ganiev, Stephen Hoover, AishwaryaRK, Steven C. Howell, Gary Foreman, Neeraj Gangwar, Tahar, Jon Crall, dokato, Kathy Chen, ferria, Thomas Moreau, Charlie Brummitt, Nicolas Goix, Adam Kleczewski, Sam Shleifer, Nikita Singh, Basil Beirouti, Giorgio Patrini, Manoj Kumar, Rafael Possas, James Bourbeau, James A. Bednar, Janine Harper, Jaye, Jean Helie, Jeremy Steward, Artsiom, John Wei, Jonathan LIgo, Jonathan Rahn, seanpwilliams, Arthur Mensch, Josh Levy, Julian Kuhlmann, Julien Aubert, Jörn Hees, Kai, shivamgargsya, Kat Hempstalk, Kaushik Lakshmikanth, Kennedy, Kenneth Lyons, Kenneth Myers, Kevin Yap, Kirill Bobyrev, Konstantin Podshumok, Arthur Imbert, Lee Murray, toastedcornflakes, Lera, Li Li, Arthur Douillard, Mainak Jas, tobycheese, Manraj Singh, Manvendra Singh, Marc Meketon, MarcoFalke, Matthew Brett, Matthias Gilch, Mehul Ahuja, Melanie Goetz, Meng, Peng, Michael Dezube, Michal Baumgartner, vibrantabhi19, Artem Golubin, Milen Paskov, Antonin Carette, Morikko, MrMjauh, NALEPA Emmanuel, Namiya, Antoine Wendlinger, Narine Kokhlikyan, NarineK, Nate Guerin, Angus Williams, Ang Lu, Nicole Vavrova, Nitish Pandey, Okhlopkov Daniil Olegovich, Andy Craze, Om Prakash, Parminder Singh, Patrick Carlson, Patrick Pei, Paul Ganssle, Paulo Haddad, Paweł Lorek, Peng Yu, Pete Bachant, Peter Bull, Peter Csizsek, Peter Wang, Pieter Arthur de Jong, Ping-Yao, Chang, Preston Parry, Puneet Mathur, Quentin Hibon, Andrew Smith, Andrew Jackson, 1kastner, Rameshwar Bhaskaran, Rebecca Bilbro, Remi Rampin, Andrea Esuli, Rob Hall, Robert Bradshaw, Romain Brault, Aman Pratik, Ruifeng Zheng, Russell Smith, Sachin Agarwal, Sailesh Choyal, Samson Tan, Samuël Weber, Sarah Brown, Sebastian Pölsterl, Sebastian Raschka, Sebastian Saeger, Alyssa Batula, Abhyuday Pratap Singh, Sergey Feldman, Sergul Aydore, Sharan Yalburgi, willduan, Siddharth Gupta, Sri Krishna, Almer, Stijn Tonk, Allen Riddell, Theofilos Papapanagiotou, Alison, Alexis Mignon, Tommy Boucher, Tommy Löfstedt, Toshihiro Kamishima, Tyler Folkman, Tyler Lanigan, Alexander Junge, Varun Shenoy, Victor Poughon, Vilhelm von Ehrenheim, Aleksandr Sandrovskii, Alan Yee, Vlasios Vasileiou, Warut Vijitbenjaronk, Yang Zhang, Yaroslav Halchenko, Yichuan Liu, Yuichi Fujikawa, affanv14, aivision2020, xor, andreh7, brady salz, campustrampus, Agamemnon Krasoulis, ditenberg, elena-sharova, filipj8, fukatani, gedeck, guiniol, guoci, hakaa1, hongkahjun, i-am-xhy, jakirkham, jaroslaw-weber, jayzed82, jeroko, jmontoyam, jonathan.striebel, josephsalmon, jschendel, leereeves, martin-hahn, mathurinm, mehak-sachdeva, mlewis1729, mlliou112, mthorrell, ndingwall, nuffe, yangarbiter, plagree, pldtc325, Breno Freitas, Brett Olsen, Brian A. Alfano, Brian Burns, polmauri, Brandon Carter, Charlton Austin, Chayant T15h, Chinmaya Pancholi, Christian Danielsen, Chung Yen, Chyi-Kwei Yau, pravarmahajan, DOHMATOB Elvis, Daniel LeJeune, Daniel Hnyk, Darius Morawiec, David DeTomaso, David Gasquez, David Haberthür, David Heryanto, David Kirkby, David Nicholson, rashchedrin, Deborah Gertrude Digges, Denis Engemann, Devansh D, Dickson, Bob Baxley, Don86, E. Lynch-Klarup, Ed Rogers, Elizabeth Ferriss, Ellen-Co2, Fabian Egli, Fang-Chieh Chou, Bing Tian Dai, Greg Stupp, Grzegorz Szpak, Bertrand Thirion, Hadrien Bertrand, Harizo Rajaona, zxcvbnius, Henry Lin, Holger Peters, Icyblade Dai, Igor Andriushchenko, Ilya, Isaac Laughlin, Iván Vallés, Aurélien Bellet, JPFrancoia, Jacob Schreiber, Asish Mahapatra