[testing] check results are coherent vs sklearn when using sample weights
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 4/5
- Tempo stimato
- 3-5 giorni
- Idoneità per principianti
- 35/100
- Tipo di issue
- Funzionalità
- Chiarezza
- Abbastanza chiara
- Stato di attività
- Ferma
- Stack tecnologico
- julia, scikit-learn
- Ambito
- machine-learning, testing-qa
Direzione di ricerca
Inizia con gli esempi nei test di NearestNeighbors e rivedi il supporto per i pesi dei campioni in KNNC e KNNR. Genera dati fittizi sovrapposti con pesi, esegui la stessa analisi in scikit-learn e confronta i risultati; il lavoro è completato quando l'accuratezza rientra approssimativamente entro ±5%.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
We've recently added (https://github.com/alan-turing-institute/MLJModels.jl/pull/125) the possibility to add weights to samples in KNNC, KNNR. It seems fine but it would still be good to check this a bit more and ideally against an external benchmark like Sklearn which I believe supports sample weights as well.
Steps:
be on theedit This now lives at NearestNeighborModels (current repo)devbranch of MLJModels- generate some dummy data with dummy weights (see also examples in tests for NearestNeighbors though it'd be better to use less dumb data where classes overlap a bit)
- save the data and do the same analysis in sklearn
- check that the results look roughly similar (like accuracy within +- 5%)
- Lingua principale
- Julia
- Stelle
- 27
- Fork
- 1
- Merge medio
- 7h 56m
- PR unite (30g)
- 4
Preparare l'ambiente
Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di JuliaAI/NearestNeighborModels.jl
-
Bump julia compat to 1.10Apertanext patch release
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 70/100
-
Issue to tag new releasesAperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 20/100
JuliaAI/NearestNeighborModels.jl#25 · 17 commenti ·
Tutte le issue di JuliaAI/NearestNeighborModels.jl
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
oxfordcontrol/COSMO.jl#211 ·
-
documentation
Difficoltà 2/5 Mezza giornata Idoneità per principianti 65/100
I maintainer di solito rispondono entro 6 giorni
-
Out-of-place JLArray/GPU problem with VectorContinuousCallback scalar-indexes (callback cache built with CPU zeros)Forse già presa @ChrisRackauckas-Claude l’ha presa oggi. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 74/100
SciML/OrdinaryDiffEq.jl#4813 ·
I maintainer di solito rispondono entro 1 giorno
-
ARKODE: callbacks that modify `u` throw MethodError on reinitForse già presa @devmotion l’ha presa 1 giorno fa. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 79/100
SciML/Sundials.jl#575 ·
-
broken links in docsAperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 78/100
I maintainer di solito rispondono entro 1 giorno