scikit-learn/scikit-learn

Ability to cache FeatureUnion transformers

Open

#9.008 geöffnet am 6. Juni 2017

Auf GitHub ansehen
 (10 Kommentare) (3 Reaktionen) (0 zugewiesene Personen)Python (27.020 Forks)batch import
Enhancementhelp wantedmodule:pipeline

Repository-Metriken

Stars
 (66.084 Stars)
PR-Merge-Metriken
 (Durchschn. Merge 10T) (90 gemergte PRs in 30 T)

Beschreibung

It seems reasonable to support a memory parameter to FeatureUnion like was recently added to Pipeline (#7990). It is valuable in the sense that parameters in some constituent transformers can be searched over while others are unchanged; those that are unchanged should not need to be re-fit from scratch.

Contributor Guide

Research-Richtung
Beginnen Sie mit der Untersuchung der bestehenden Implementierung des `memory` Parameters in der `Pipeline` Klasse (siehe PR #7990 und sklearn/pipeline.py). Verstehen Sie dann, wie `FeatureUnion` derzeit Sub Transformatoren behandelt und wo Caching integriert werden könnte. Die Implementierung sollte dem `Pipeline` Ansatz entsprechen, wahrscheinlich durch Änderung von `FeatureUnion.fit` und `FeatureUnion.transform`, um angepasste Transformatoren zu cachen. Beziehen Sie sich auf das `memory` Schlüsselwort in `Pipeline` für Anleitungen zum Joblib Caching.
Tech Stack
python
Domain
machine learning
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
Halber Tag
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Veraltet
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Klar
Voraussetzungen
Pythonscikit learnjoblib
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
50