Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

[Lane 6 · review] Precision/Recall/F1 — DARC review and @DarcValidated

Đang mở
  • Có gì không ổn?
#1,235 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 1 ngày

Chưa có ai nhận issue này.

Đánh giá

Độ khó
4/5
Thời gian dự kiến
3-5 ngày
Mức phù hợp với người mới
30/100
Loại issue
Tính năng
Độ rõ ràng
Đặc tả rõ ràng
Mức độ hoạt động
Ít trao đổi
Công nghệ
kotlin, python, scikit-learn
Lĩnh vực
machine-learning, testing

Hướng nghiên cứu

Start with the repository’s “Contributing → DARC: advanced contribution workflow → Criteria for setting @DarcValidated,” then inspect the three metric partials, their tests, and the shipped code on develop. Run the documented examples and the reference fixture check, verify citations and the stated contract, and post pass/fail findings on #1222. If all checks pass, open a PR annotating the three compute() overrides; otherwise send specific failures to their sub-issues.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

assessment size:s skill:review sub-issue

Sub-issue of #1222 (Precision, Recall and F1Score metrics).

Lane: 6 · Review (DARC sign-off)
Skill needed: a second pair of eyes with ML-metrics and Kotlin literacy. Must not be the implementer of #1226–#1229 or the author of #1234.
Size: s (~2 h)
Blocked by: #1229 and #1234 merged.

What to do

Walk all four DARC phases against the shipped code, per Contributing → DARC: advanced
contribution workflow → Criteria for setting @DarcValidated:

  1. D — Document. The three partials have non-empty math / intuition / examples /
    references tags; none are placeholders.
  2. A — Assess. Run every documented example against develop; shapes, dtypes and
    numbers must match the prose. Spot-check the zero-division and macro-vs-micro claims
    against the tests. Cross-check the reference fixture (pred [2,0,1,2], target [2,1,1,0]) against a one-off sklearn.metrics.precision_recall_fscore_support run.
  3. R — Research. Click every citation in the partials; each must still resolve and
    support the specific claim it backs.
  4. C — Code. The implementation matches the documented contract (averaging modes,
    zero-division, dim / threshold semantics, single accumulator per metric).
  5. If all four pass, open a PR adding
    @DarcValidated(by = "First Last <[email protected]>", on = "YYYY-MM-DD") to the
    compute() override of Precision, Recall and F1Score. If any fails, send the
    specific item back to its sub-issue — don't annotate.

Acceptance

  • Review findings posted on #1222 (pass, or the list sent back)
  • @DarcValidated PR merged, or a clear statement of what's blocking it
  • #1222 can be closed (all lanes done, ground-truth explicitly deferred to SKEEP-005 / #1223)

Notes

Precedent to flag, not to solve: @DarcValidated targets FUNCTION and today the KSP
OperatorDocProcessor only reads it off TensorOps functions — so the badge will be
recorded in source but will not render on any generated page for a Metric. Mention
that in the PR so whoever owns the doc pipeline can decide whether Metric
implementations become a second processed category. That is a follow-up, not a blocker.

Ngôn ngữ chính
Kotlin
Star
52
Fork
15
Merge trung bình
1 ngày 15 giờ
Pull request đã merge (30 ngày)
36

Chuẩn bị môi trường

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của SKaiNET-developers/SKaiNET

Tất cả issue của SKaiNET-developers/SKaiNET

Issue tương tự

Thêm issue về Kotlin

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.