`_return_predictions` should always run the Tables.materializer
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 4/5
- Tempo stimato
- 3-5 giorni
- Idoneità per principianti
- 45/100
Direzione di ricerca
Start in src/statsmodel.jl at the _return_predictions AbstractVector method around lines 149-154, and compare it with the other predict return-type paths that call Tables.materializer. Done means the AbstractVector path also materializes T((; predictions = out)), allowing table-compatible multidimensional predictions to retain their shape; account for the noted breaking change.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
For most predict return types Tables.materializer is called. But the AbstractVector method just returns a vector: https://github.com/JuliaStats/StatsModels.jl/blob/master/src/statsmodel.jl#L149-L154
For some objects it would be preferable if it called the materializer with T((; predictions = out)).
For example, a DimensionalData.jl/Rasters.jl stack or array can be used as a table, but it cant get a stack/array back without Tables.materializer being called. This means predict on multimensional spatial variables returns non-spatial single dimension predictions that have to be manually reshaped, instead of it being automatic.
This will probably be a breaking change.
- Lingua principale
- Julia
- Stelle
- 250
- Fork
- 35
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
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 JuliaStats/StatsModels.jl
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 68/100
JuliaStats/StatsModels.jl#328 · 1 commento ·
-
Cell mean coding?Aperta
Difficoltà 4/5 3-5 giorni Idoneità per principianti 48/100
JuliaStats/StatsModels.jl#351 ·
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 45/100
JuliaStats/StatsModels.jl#329 · 2 commenti ·
-
Remove term from formulaAperta
Difficoltà 3/5 1-2 giorni Idoneità per principianti 45/100
JuliaStats/StatsModels.jl#318 · 1 commento ·
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 45/100
JuliaStats/StatsModels.jl#316 ·
Tutte le issue di JuliaStats/StatsModels.jl
Issue simili
-
`ShallowWaterModel` allocates ~9 KiB per grid point per RK3 stage on the CPUForse già presa @ali-ramadhan l’ha presa oggi. Apertaperformance 🏍️
Difficoltà 2/5 1-3 ore Idoneità per principianti 62/100
CliMA/Oceananigans.jl#6421 · 1 reazione ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 62/100
NCAR/musica#1118 · 1 commento · 1 reazione ·
I maintainer di solito rispondono entro 1 giorno
-
`AMSGrad` state starts at `epsilon` instead of zero, so zero gradients move parameters and small gradients are dampedForse già presa @parth-patel010 l’ha presa oggi. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
FluxML/Optimisers.jl#247 · 1 commento ·
-
README should say that row and column order must matchForse già presa @SAUMYARSH l’ha presa oggi. Aperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 84/100
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 82/100
OpenFUSIONToolkit/GPEC#644 ·
I maintainer di solito rispondono entro 3 giorni