Milk

enveloppements laitiers libsvm dans le code Python.
Il prend également en charge k-means avec une mise en œuvre qui est prudent de ne pas utiliser trop de mémoire

Caractéristiques :.

• Aléatoire forêts
• Cartes auto organisation
• SVM. Utilisation du solveur de libsvm avec une enveloppe de Pythonesque autour d'elle.
• Analyse discriminante par étapes pour la sélection de fonction.
• matrice non négative factorisation
• K-moyens utilisant aussi peu de mémoire que possible.
• propagation Affinity

Ce qui est nouveau dans cette version:.

• Ajout de projection de sous-espace kNN
• Exporter pdist en espace de lait.
• Ajouté Eigen à la distribution de la source.
• measures.curves.roc ajouté.
• Ajout de la fonction de mds_dists.

Quoi de neuf dans la version 0.5:

• Ajouter coordonnée descente base LASSO
• Ajout de la fonction unsupervised.center
• Faire des travaux de Zscore avec NaNs (en les ignorant)
• Propager appels apply_many par des transformateurs

Quoi de neuf dans la version 0.4.1:.

• Correction d'un bug important dans gridsearch

Ce qui est nouveau dans la version 0.4.0:

• Utiliser multitraitement pour profiter de machines multi-core ( désactivée par défaut).
• Ajouter perceptron apprenant
• Définir graine aléatoire en apprenant aléatoire de la forêt
• Ajouter avertissement à lait / __ init__.py si importation échoue
• Ajouter de la valeur de retour à gridminimise
• Définir graine aléatoire dans precluster_learner
• Mise en œuvre des codes de correction d'erreur de sortie pour la réduction de la multi-classe en binaire (y compris l'estimation de probabilité)
• Ajoutez l'argument multi_strategy à defaultlearner ()
• Faites le noyau de points dans svm beaucoup, beaucoup, plus rapide
• Faire raccord sigmoïde pour SVM probabilité estime plus rapide
• Correction d'un bug dans randomforest (patch par Wei sur le lait-liste de diffusion)

Ce qui est nouveau dans la version 0.3.10:

• Ajouter ext.jugparallel pour l'intégration avec la cruche
• validation croisée nfold parallèle utilisant cruche
• multiples kmeans parallèles fonctionne en utilisant cruche
• cluster_agreement pour les non-ndarrays
• Ajouter histogramme & normali (z | s) options de e à milk.kmeans.assign_centroid
• Correction d'un bug dans sda lorsque les caractéristiques étaient constantes pour une classe
• Ajout select_best_kmeans
• Ajout defaultlearner comme un meilleur nom que defaultclassifier
• Ajout measures.curves.precision_recall
• Ajouter unsupervised.parzen.parzen

Ce qui est nouveau dans la version 0.3.8:.

• compilation fixe sur Windows

Ce qui est nouveau dans la version 0.3.7:.

• La régression logistique
• démos Source inclus (dans la source et de la documentation).
• Ajouter munitions accord métriques.
• Correction d'un bug lors de l'utilisation de nfoldcrossvalidation origines.

Ce qui est nouveau dans la version 0.3.5:.

• Correction pour 64 bits

Ce qui est nouveau dans la version 0.3.4:.

• apprenants forestiers aléatoire
• Les arbres de décision accéléré 20x.
• gridsearch Beaucoup plus rapide (trouve optimale sans calculer tous les plis).