发布说明

当前开发版本的 CHANGELOG 可在此处查看：https://github.com/rasbt/mlxtend/blob/master/docs/sources/CHANGELOG.md。

版本 0.23.3 (2024 年 11 月 15 日)

下载
新特性和增强功能

更新文件： - mlxtend.evaluate.time_series.plot_splits - 改进了 plot_splits 以更好地可视化时间序列分割

变更

版本 0.23.2 (2024 年 11 月 5 日)

下载
新特性和增强功能
变更
  • [mlxtend.frequent_patterns.fpcommon] 在 valid_input_check 签名中添加了 null_values 参数，用于检查输入是否包含空值。更改了 setup_fptree 和 generated_itemsets 的返回语句和函数签名，分别返回创建的禁用数组并将其包含为参数。在 [mlxtend.frequent_patterns.fpcommon] 和 mlxtend.frequent_patterns.association_rules 中添加了代码，以便在 null_values 为 True 且存在空值时实现算法。

  • mlxtend.frequent_patterns.association_rules 添加了可选参数 'return_metrics'，仅返回指定的指标列表，而不是所有可能的指标。

  • 为 stacking 分类器添加 n_classes_ 属性，以兼容 scikit-learn 1.3（#1091）

  • 在 PCA 中使用 Scipy 的分解而不是 NumPy 的分解，以提高边缘情况下的精度（通过 [fkdosilovic] 实现，#1080）

版本 0.23.1 (2024 年 1 月 5 日)

下载
变更
  • 更新了对 Python 3.12 及以上版本中 distutils 的依赖（通过 peanutsee 实现，#1072）

版本 0.23.0 (2023 年 9 月 22 日)

下载
变更
  • 解决 NumPy 弃用问题，使 mlxtend 兼容 NumPy 1.24
  • 在测试中更改了 sklearn 的 LinearRegression 模型的签名，移除了已弃用的 normalize 参数。（#1036）
  • 添加 pyproject.toml 以支持 PEP 518 构建（通过 jmahlik 实现，#1065）
  • 修复了 sdist 安装失败的问题（通过 jmahlik 实现，#1065）
  • 将配置转换为 pyproject.toml（通过 jmahlik 实现，#1065）
  • 移除包含人脸识别功能的 mlxtend.image 子模块，原因是现代环境中 dlib 支持不佳。
新特性和增强功能
  • 文档说明如何使用 SequentialFeatureSelector 和多类别 ROC AUC。

版本 0.22.0 (2023 年 4 月 4 日)

下载
变更
新特性和增强功能

版本 0.21.0 (2022 年 9 月 17 日)

下载
新特性和增强功能
  • mlxtend.evaluate.feature_importance_permutation 函数新增一个 feature_groups 参数，用于将用户指定的特征组视为单个特征，这对于 one-hot 编码的特征很有用。（#955）
  • mlxtend.feature_selection.ExhaustiveFeatureSelector 和 SequentialFeatureSelector 也增加了对 feature_groups 的支持，其行为类似于上述描述。（通过 Nima Sarajpoor 实现，#957 和 #965）
变更
  • 由于冗余并为了简化代码库，从 ExhaustiveFeatureSelector 中移除了 custom_feature_names 参数。ExhaustiveFeatureSelector 文档 说明了如何使用 pandas DataFrame 实现相同的行为和结果。（#957）
错误修复
  • 无

版本 0.20.0 (2022 年 5 月 26 日)

下载
新特性和增强功能
  • mlxtend.evaluate.bootstrap_point632_score 现在支持 fit_params。（#861）
  • mlxtend/plotting/decision_regions.py 函数现在有一个 contourf_kwargs 参数，用于 matplotlib 中更改决策边界的外观（如果需要）。（通过 [pbloem] 实现，#881）
  • 向 mlxtend.plotting.plot_confusion_matrix 添加 norm_colormap 参数，允许对颜色映射进行归一化，例如使用 matplotlib.colors.LogNorm()（#895）
  • 添加新的 GroupTimeSeriesSplit 类，用于时间序列任务中的评估，支持自定义分组和与 scikit-learn 的 TimeSeriesSplit 相比的其他参数。（通过 Dmitry Labazkin 实现，#915）
变更
  • 由于与较新包版本的兼容性问题，已移除 six.py 中的某些函数，因此 mlxtend 可能不再与 Python 2.7 一起工作。
  • 作为一项内部更改以加快单元测试，单元测试现在由 GitHub workflows 协助完成，并已移除 Travis CI 和 Appveyor hook。
  • 改进了 mlxtend.plotting.heatmap 和 mlxtend.plotting.plot_confusion_matrix 中的轴标签旋转（#872）
  • 修复 McNemar 指南中的各种拼写错误。
  • 如果在频繁模式函数 apriori、fpmax 和 fpgrowth 中使用了非布尔数组，则会发出警告。（通过 NimaSarajpoor 实现，#934）
错误修复
  • 修复 heatmap 中某些颜色映射导致标签不可读的问题。（#852）
  • 修复向 mlxtend.plotting.plot_confusion_matrix 传递字符串类别名称时出现的问题（#894）

版本 0.19.0 (2021 年 9 月 2 日)

下载
新特性
  • 在 evaluate.accuracy_score 中添加了第二个“平衡精度”解释（“balanced”），除了现有的“average”选项之外，用于计算 scikit-learn 风格的平衡精度。（#764）
  • 向 mlxtend.plotting 添加新的 scatter_hist 函数，用于生成散点直方图。（通过 Maitreyee Mhasaka 实现，#757）
  • evaluate.permutation_test 函数现在接受 paired 参数，用于指定是否支持配对置换/随机化检验。（#768）
  • StackingCVRegressor 现在也支持类似 StackingRegressor 的多维目标，通过 StackingCVRegressor(..., multi_output=True) 实现。（通过 Marco Tiraboschi 实现，#802）
变更
  • 更新了单元测试以兼容 scikit-learn 0.24.1。（#774）
  • 如果目标是多维的，StackingRegressor 现在需要设置 StackingRegressor(..., multi_output=True)；这有助于更好地进行输入验证。（#802）
  • 移除了 plot_decision_regions 中已弃用的 res 参数。（#803）
  • 向 plot_learning_curves 添加 title_fontsize 参数，用于控制标题字体大小；同时，绘图样式现在为 matplotlib 的默认样式。（#818）
  • 内部更改，在 mlxtend.plotting.plot_decision_regions 的散点图高亮中，使用 'c': 'none' 代替 'c': ''，以保持与 Matplotlib 3.4 及更新版本的兼容性。（#822）
  • 向 mlxtend.plotting.plot_confusion_matrix 函数添加 fontcolor_threshold 参数，作为手动确定字体颜色截止值的附加选项。（#827）
  • 如果传递空的频繁项集 DataFrame，frequent_patterns.association_rules 现在会引发 ValueError。（#843）
  • 在 mlxtend.evaluate.bootstrap_point632_score 函数中实现的 .632 和 .632+ 自助法现在使用整个训练集作为重替代加权项，而不是每轮都是新自助样本的内部训练集。（#844）
错误修复

版本 0.18.0 (2020 年 11 月 25 日)

下载
新特性
  • bias_variance_decomp 函数现在支持对在自助样本上拟合的估计器使用可选的 fit_params。（#748）
  • bias_variance_decomp 函数现在支持 Keras 估计器。（通过 @hanzigs 实现，#725）
  • 添加新的 mlxtend.classifier.OneRClassifier（单规则分类器）类，这是一种简单的基于规则的分类器，常被用作性能基线或简单的可解释模型。（#726）
  • 添加新的 create_counterfactual 方法，用于创建反事实以解释模型预测。（#740）
变更
  • permutation_test (mlxtend.evaluate.permutation) 已更正为给出其统计量*至少与观测值一样极端*的置换比例。（通过 Florian Charlier 实现，#721）
  • 修复 McNemar 混淆矩阵布局以符合约定（和文档），交换左上角和右下角单元格。（通过 mmarius 实现，#744）
错误修复
  • 用于日志记录目的的 LogisticRegression 损失函数未包含权重向量中第一个权重的 L2 惩罚（这不是偏置单元）。然而，由于此损失函数仅用于日志记录，并且梯度保持正确，因此这不会影响主代码。（#741）
  • 修复了 bias_variance_decomp 中的一个错误，在使用 mse 损失时，向下转换为整数会导致小数字的不精确结果。（#749）

版本 0.17.3 (2020 年 7 月 27 日)

下载
新特性
  • 为自助法方法添加 predict_proba kwarg，以允许对接受概率值的评分函数进行自助抽样。（通过 Adam Li 实现，#700）
  • 向 mlxtend.plotting.heatmap() 添加 cell_values 参数，通过设置 cell_values=False 可选地禁止单元格注释。（#703）
变更
  • 为 EnsembleVoteClassifier 和 StackingClassifier 实现了 use_clones 和 fit_base_estimators（之前在 EnsembleVoteClassifier 中称为 refit）。（通过 Katrina Ni 实现，#670）
  • 在 mlxtend.text 中切换到使用原始字符串进行正则表达式匹配，以防止在 Python 3.8 中出现弃用警告（#688）
  • 在将数据发送到并行后端之前，在顺序前向选择中对数据进行切片，以减少内存消耗。
错误修复
  • 修复 matplotlib v3.1.0 及更新版本中轴的 DeprecationWarning。（#673）
  • 修复 bootstrap_point632_score 函数中用于 .632+ 估计的 no_information_rate 函数中使用 meshgrid 的问题。（#688）
  • 修复 fpmax 中的一个问题，该问题可能导致支持值不正确。（通过 Steve Harenberg 实现，#692）

版本 0.17.2 (2020 年 2 月 24 日)

下载
新特性
  • -
变更
  • 之前已弃用的 OnehotTransactions 已被移除，推荐使用 TransactionEncoder。
  • 在频繁模式挖掘函数中移除了 SparseDataFrame 支持，推荐使用 pandas >=1.0 处理稀疏数据的新方式。如果您使用了 SparseDataFrame 格式，请参阅 pandas 的迁移指南：https://pandas.ac.cn/pandas-docs/stable/user_guide/sparse.html#migrating。（#667）
  • plot_confusion_matrix.py 现在也接受 matplotlib 图形和轴作为输入，可以将混淆矩阵图添加到其中。（通过 Vahid Mirjalili 实现，#671）
错误修复
  • -

版本 0.17.1 (2020 年 1 月 28 日)

下载
新特性
  • SequentialFeatureSelector 现在支持通过 fixed_features 参数使用预先指定的特征集。（#578）
  • 向 mlxtend.evaluate 添加新的 accuracy_score 函数，用于计算基本分类精度、每类别精度和平均每类别精度。（通过 Deepan Das 实现，#624）
  • StackingClassifier 和 StackingCVClassifier 现在具有 decision_function 方法，当元估计器是线性模型或支持向量分类器时，该方法在计算 roc_auc 和 average_precision 分数方面优于 predict_proba。（通过 Qiang Gu 实现，#634）
变更
  • 当 low_memory=True 时，提高了 apriori 频繁项集生成函数的运行时性能。对于小型项集，设置 low_memory=False（默认值）仍然更快，但对于大型项集，low_memory=True 可以快得多并且需要更少的内存。此外，当输入 pandas DataFrame 很大时，对 apriori、̀ fpgrowth和fpmax的输入验证需要大量时间；当输入包含布尔值（而不是零/一）时，这种情况现在大大减少，这在使用TransactionEncoder` 时就是这种情况。（通过 Denis Barbier 实现，#619）
  • 为频繁项集算法添加了对较新的稀疏 pandas DataFrame 的支持。此外，当输入的 pandas DataFrame 包含整数值时，对 apriori、̀ fpgrowth和fpmax` 的输入验证在稀疏 DataFrame 上运行得快得多。（通过 Denis Barbier 实现，#621）
  • 让 fpgrowth 和 fpmax 直接在稀疏 DataFrame 上工作，它们之前被转换为密集的 Numpy 数组。（通过 Denis Barbier 实现，#622）
错误修复
  • 修复了 mlxtend.plotting.plot_pca_correlation_graph 中的一个错误，该错误导致解释方差总和不为 1。此外，提高了相关性计算的运行时性能，并添加了一个缺失的函数参数，用于在用户提供自己的主成分时输入解释方差（特征值）。（通过 Gabriel Azevedo Ferreira 实现，#593）
  • fpgrowth 和 apriori 对于边缘情况（例如 min_support=0）的行为一致。（通过 Steve Harenberg 实现，#573）
  • 如果频繁项集为空，fpmax 现在返回一个空数据框，而不是引发错误。（通过 Steve Harenberg 实现，#573）
  • 修复了 mlxtend.plotting.plot_confusion_matrix 中的一个问题，即中深色单元格的字体颜色选择不理想，难以阅读。（通过 sohrabtowfighi 实现，#588）
  • mlxtend.feature_extraction.PrincipalComponentAnalysis 的 svd 模式现在在计算特征值时也使用 n-1 自由度而不是 n 自由度，以匹配 eigen 的行为。#595
  • 禁用 StackingCVClassifier 的输入验证，因为它在将 pipeline 用作输入时会导致问题。#606

版本 0.17.0 (2019 年 7 月 19 日)

下载
新特性
  • 对现有的 iris_data() 进行了增强，现在可以加载 Iris 数据集的 UCI Repository 版本以及已更正的原始版本，这两个版本在两个数据点上略有差异（与 Fisher 的论文一致；这也与 R 中的相同）。（通过 janismdhanbad 实现，#539）
  • 向 SequentialFeatureSelector 和 ExhaustiveFeatureSelector 的 fit() 方法添加可选的 groups 参数，用于转发给 sklearn CV。（通过 arc12 实现，#537）
  • 向 mlxtend.plotting 子模块添加新的 plot_pca_correlation_graph 函数，用于绘制 PCA 相关性图。（通过 Gabriel-Azevedo-Ferreira 实现，#544）
  • 向 mlxtend.plotting.plot_decision_region 函数添加 zoom_factor 参数，允许用户放大和缩小决策区域图。（#545）
  • 添加了函数 fpgrowth，实现了 FP-Growth 算法用于挖掘频繁项集，作为现有 apriori 算法的直接替代品。（通过 Steve Harenberg 实现，#550）
  • mlxtend.plotting 中新增 heatmap 函数。（#552）
  • 添加了函数 fpmax，实现了 FP-Max 算法用于挖掘最大项集，作为 fpgrowth 算法的直接替代品。（通过 Steve Harenberg 实现，#553）
  • mlxtend.plotting 中 plot_decision_regions 函数新增 figsize 参数。（通过 Mirza Hasanbasic 实现，#555）
  • apriori 频繁项集生成函数新增 low_memory 选项。设置 low_memory=False（默认值）使用了一个大幅优化的算法版本，比原始实现（low_memory=True）快 3-6 倍。（通过 jmayse 实现，#567）
  • 向 mlxtend.regressor.linear_regression 中的 LinearRegression 添加了数值稳定的 OLS 方法，该方法使用了 QR decomposition 和 Singular Value Decomposition (SVD) 方法。（通过 PuneetGrov3r 实现，#575）
变更
  • 现在在内部使用最新的 joblib 库进行多处理，而不是 sklearn.externals.joblib。（#547）
  • 更改了 StackingCVClassifier 和 StackingCVRegressor，使得第一级模型可以生成非数值类型的输出。（#562）
错误修复
  • 通过添加关于 R 和 UCI 机器学习仓库中鸢尾花数据差异的说明，修复了 iris.py 中 iris_data() 的文档。
  • 确保如果在 PCA 中使用 'svd' 模式，特征值的数量与使用 'eigen' 时相同（在这种情况下添加 0） （#565）

版本 0.16.0 (2019 年 5 月 12 日)

下载
新特性
  • StackingCVClassifier 和 StackingCVRegressor 现在支持 random_state 参数，该参数与 shuffle 一起控制交叉验证分割的随机性。（通过 Qiang Gu 实现，#523）
  • StackingCVClassifier 和 StackingCVRegressor 现在有一个新的 drop_last_proba 参数。如果设置为 True，它会删除特征集中的最后一个“概率”列，因为它是冗余的：p(y_c) = 1 - p(y_1) + p(y_2) + ... + p(y_{c-1})。这对于对完全共线特征敏感的元分类器很有用。（#532）
  • 包括 StackingClassifier、StackingCVClassifier 和 StackingRegressor 在内的其他 stacking 估计器支持对 regressors 进行网格搜索，甚至支持单个基础回归器。（通过 Qiang Gu 实现，#522）
  • 向 StackingCVClassifier 添加多处理支持。（通过 Qiang Gu 实现，#522）
  • 向 StackingCVRegressor 添加多处理支持。（通过 Qiang Gu 实现，#512）
  • 现在，StackingCVRegressor 也支持对 regressors 进行网格搜索，甚至支持单个基础回归器。当存在混合级别参数时，GridSearchCV 将尝试按自上而下的顺序替换超参数（有关示例详细信息，请参阅文档）。（通过 Qiang Gu 实现，#515）
  • 向 apriori 添加 verbose 参数，以显示当前迭代次数以及当前正在采样的项集大小。（#519）
  • 向混淆矩阵函数添加可选的 class_name 参数，以在轴上将类别名称显示为刻度。（通过 sandpiturtle 实现，#487）
  • 向 PCA 添加 pca.e_vals_normalized_ 属性，用于存储归一化形式的特征值；这通常被称为方差解释比。#545
变更
  • 由于新特性、重构和更好的 scikit-learn 支持（例如 GridSearchCV），StackingCVRegressor 的元回归器现在通过参数网格中的 'meta_regressor__* 进行访问。例如，如果之前通过 'randomforestregressor__n_estimators' 调整作为元回归器的 RandomForestRegressor，现在已更改为 'meta_regressor__n_estimators'。（通过 Qiang Gu 实现，#515）
  • 上述相同的更改现在已应用于其他 stacking 估计器，包括 StackingClassifier、StackingCVClassifier 和 StackingRegressor。（通过 Qiang Gu 实现，#522）
  • 自动对 PCA solver 'SVD' 执行均值中心化，使得使用 SVD 始终等同于使用协方差矩阵方法 #545
错误修复
  • 如果输入是 pandas DataFrame，feature_selection.ColumnSelector 现在也支持 int 类型的列名（除了 str 名称）。（通过 tetrar124 实现，#500）
  • 如果 show_absolute=True 和 show_normed=True，修复了 plot_confusion_matrix 中不平衡数据集标签不可读的问题。（#504）
  • 如果将 SparseDataFrame 传递给 apriori 并且由于 pandas 中 SparseDataFrame 实现的当前限制，数据框具有不以 0 开头的整数列名，则会引发更具信息性的错误。（#503）
  • SequentialFeatureSelector 现在支持 DataFrame 作为所有操作模式（前向/后向/浮动）的输入。#506
  • mlxtend.evaluate.feature_importance_permutation 现在正确地接受具有正确函数签名的评分函数作为 metric 参数。#528

版本 0.15.0 (2019 年 1 月 19 日)

下载
新特性
  • 向 mlxtend.image 添加新的转换器类 EyepadAlign，该类根据眼睛的位置对人脸图像进行对齐。（通过 Vahid Mirjalili 实现，#466）
  • 添加新的函数 mlxtend.evaluate.bias_variance_decomp，将回归器或分类器的损失分解为偏差和方差项。（#470）
  • 向 PrincipalComponentAnalysis 添加 whitening 参数，可选地对转换后的数据进行白化，使得特征具有单位方差。（#475）
变更
  • 将 PrincipalComponentAnalysis 中的默认 solver 更改为 'svd' 而不是 'eigen'，以提高数值稳定性。（#474）
  • 如果未检测到人脸特征点，mlxtend.image.extract_face_landmarks 现在返回 None，而不是全零数组。（#466）
错误修复
  • 在 PrincipalComponentAnalysis 和 LinearDiscriminantAnalysis 中，如果 solver 为 'eigen'，在某些边缘情况下特征向量可能未排序。（#477, #478）

版本 0.14.0 (2018 年 11 月 9 日)

下载
新特性
  • 向 plotting 模块添加了 scatterplotmatrix 函数。（#437）
  • 向 StackingRegressor、StackingClassifier、StackingCVRegressor、StackingCVClassifier、EnsembleVoteClassifier 添加了 sample_weight 选项。（#438）
  • 添加了 RandomHoldoutSplit 类，用于在 SequentialFeatureSelector、scikit-learn GridSearchCV 等中执行随机训练/验证分割而无需旋转。（#442）
  • 添加了 PredefinedHoldoutSplit 类，用于在 SequentialFeatureSelector、scikit-learn GridSearchCV 等中，根据用户指定的索引执行训练/验证分割而无需旋转。（#443）
  • 创建了新的 mlxtend.image 子模块，用于处理图像处理相关任务。（#457）
  • 向 mlxtend.image 添加了基于 dlib 的新便利函数 extract_face_landmarks。（#458）
  • 向 mlxtend.evaluate.bootstrap_point632_score 方法添加了 method='oob' 选项，用于计算经典的袋外自助估计值（#459）
  • 向 mlxtend.evaluate.bootstrap_point632_score 方法添加了 method='.632+' 选项，用于计算解决 .632 自助法乐观偏差的 .632+ 自助估计值（#459）
  • 添加了新的 mlxtend.evaluate.ftest 函数，用于执行 F 检验，比较两个或多个分类模型的准确性。（#460）
  • 添加了新的 mlxtend.evaluate.combined_ftest_5x2cv 函数，用于执行组合的 5x2cv F 检验，比较两个模型的性能。（#461）
  • 添加了新的 mlxtend.evaluate.difference_proportions 测试，用于比较两个比例（例如，分类器准确性）（#462）
变更
  • 解决了 NumPy 0.15 中的弃用警告。（#425）
  • 由于 PR (#459) 中的复杂性，现在已放弃 Python 2.7；由于 Python 软件基金会对 Python 2.7 的官方支持大约在 12 个月后结束，这种重新聚焦有望在不担心向后兼容性方面节省一些开发时间。
错误修复
  • 修复了 mlxtend.plotting.plot_confusion_matrix 中缺少导入的问题。（#428）

版本 0.13.0 (2018 年 7 月 20 日)

下载
新特性
  • 当 SequentialFeatureSelector 与交叉验证生成器一起使用时，现在会引发有意义的错误消息。（#377）
  • SequentialFeatureSelector 现在通过 fit 方法接受自定义特征名称，以便生成更具可解释性的特征子集报告。（#379）
  • SequentialFeatureSelector 现在也兼容 Pandas DataFrame，并使用 DataFrame 列名生成更具可解释性的特征子集报告。（#379）
  • ColumnSelector 现在适用于 Pandas DataFrame 列。（由 Manuel Garrido 实现，#378）
  • mlxtend.feature_selection 中的 ExhaustiveFeatureSelector 估计器现在可以通过 control+c 在中途安全地停止。（#380）
  • 向 mlxtend.math 添加了两个新函数 vectorspace_orthonormalization 和 vectorspace_dimensionality，分别用于使用 Gram-Schmidt 过程将一组线性独立向量转换为一组正交基向量，以及计算向量空间的维数。（#382）
  • mlxtend.frequent_patterns.apriori 现在支持 pandas SparseDataFrame 生成频繁项集。（通过 Daniel Morales 实现，#404）
  • plot_confusion_matrix 函数现在除了或替代绝对混淆矩阵系数外，还能够显示归一化混淆矩阵系数，带或不带颜色条。文本显示方法已更改，以便使用颜色映射的完整范围。默认大小现在也根据类别数量设置。
  • 向 StackingRegressor 添加了将元特征与原始输入特征合并的支持（通过 use_features_in_secondary），就像在其他 Stacking 类中已支持的那样。（#418）
  • 向 association_rules 函数添加了 support_only 参数，允许对不包含完整前件和后件支持值的裁剪输入 DataFrame 构建关联规则（仅基于支持度量）。（#421）
变更
  • 使用 apriori 生成的项集现在是 frozensets (#393 由 William Laney 和 #394)
  • 现在，如果输入到 apriori 的 DataFrame 包含非 0、1、True、False 的值，则会引发错误。 #419)
错误修复
  • 允许通过 scikit-learn 的 clone 函数克隆 mlxtend 估算器。 (#374)
  • 修复了允许在 StackingRegressor 和 StackingCVRegressor 中正确使用 refit=False 的错误 (#384 和 (#385) 由 selay01)
  • 允许 StackingClassifier 在 use_features_in_secondary=True 时使用稀疏矩阵 (#408 由 Floris Hoogenbook)
  • 允许 StackingCVRegressor 在 use_features_in_secondary=True 时使用稀疏矩阵 (#416)
  • 允许 StackingCVClassifier 在 use_features_in_secondary=True 时使用稀疏矩阵 (#417)

版本 0.12.0 (2018-04-21)

下载
新特性
  • 新增 feature_importance_permuation 函数，用于通过*置换重要性*方法计算分类器和回归器中的特征重要性 (#358)
  • ExhaustiveFeatureSelector 的 fit 方法现在可选地接受用于特征选择的估算器的 **fit_params。 (#354 由 Zach Griffith)
  • SequentialFeatureSelector 的 fit 方法现在可选地接受用于特征选择的估算器的 **fit_params。 (#350 由 Zach Griffith)
变更
  • 将 plot_decision_regions 的颜色替换为对色盲友好的调色板，并添加决策区域的等高线。 (#348)
  • 所有堆叠估算器现在如果在拟合之前调用任何推理方法，则会引发 NonFittedErrors。 (#353)
  • 将 StackingClassifier 和 StackingCVClassifier 的 refit 参数重命名为 use_clones，使其更明确且不易误导。 (#368)
错误修复
  • 文档和文档工具的各种更改，用于修复格式问题 (#363)
  • 修复了在 shuffle=True 时 StackingCVClassifier 的元特征未按原始顺序存储的错误 (#370)
  • 许多文档改进，包括 API 文档中指向用户指南的链接 (#371)

版本 0.11.0 (2018-03-14)

下载
新特性
  • 新增函数实现了重采样配对 t 检验过程（paired_ttest_resampled），用于比较两个模型的性能。 (#323)
  • 新增函数实现了 k 折配对 t 检验过程（paired_ttest_kfold_cv），用于比较两个模型的性能（也称为 k 留存配对 t 检验）。 (#324)
  • 新增函数实现了 Dieterrich (1998) 提出的 5x2cv 配对 t 检验过程（paired_ttest_5x2cv），用于比较两个模型的性能。 (#325)
  • 为堆叠类添加了 refit 参数（类似于 EnsembleVoteClassifier 中的 refit 参数），以支持遵循 scikit-learn API 但与 scikit-learn 的 clone 函数不兼容的分类器和回归器。 (#322)
  • ColumnSelector 现在有一个 drop_axis 参数，可以在与 CountVectorizer 一起使用的管道中使用。 (#333)
变更
  • 如果在 StackingRegressor 和 StackingCVRegressor 中调用 fit 方法之前调用了 predict 或 predict_meta_features，则会引发信息性错误消息。 (#315)
  • plot_decision_regions 函数现在根据特征维度自动确定最佳设置并支持抗锯齿。旧的 res 参数已被弃用。 (#309 由 Guillaume Poirier-Morency)
  • Apriori 代码由于 onehot transformation 的优化以及 apriori 算法生成的候选数量而更快。 (#327 由 Jakub Smid)
  • OnehotTransactions 类（通常与 apriori 函数结合用于关联规则挖掘）现在更节省内存，因为它使用布尔数组而不是整数数组。此外，OnehotTransactions 类现在可以提供 sparse 参数来生成 onehot 矩阵的稀疏表示，以进一步提高内存效率。 (#328 由 Jakub Smid)
  • OneHotTransactions 已被弃用，并由 TransactionEncoder 取代。 (#332
  • plot_decision_regions 函数现在有三个新参数：scatter_kwargs、contourf_kwargs 和 scatter_highlight_kwargs，可用于修改绘图样式。 (#342 由 James Bourbeau)
错误修复
  • 修复了在 refit 设置为 false 时向 EnsembleVoteClassifier 提供类别标签的问题。 (#322)
  • 允许在 plot_decision_regions 函数中使用 16 位和 32 位精度的数组。 (#337)
  • 修复了在使用 conviction 指标计算关联规则时，如果项目数 <= 1，则会引发索引错误的 bug。 (#340)

版本 0.10.0 (2017-12-22)

下载
新特性
  • StackingCVRegressor 中 fit 的新参数 store_train_meta_features。如果为 True，则训练元特征存储在 self.train_meta_features_ 中。StackingCVRegressor 的新方法 pred_meta_features。人们可以使用此方法获取测试元特征。 (#294 via takashioya)
  • StackingCVRegressor 的新属性 store_train_meta_features 和方法 pred_meta_features 也已添加到 StackingRegressor、StackingClassifier 和 StackingCVClassifier 中 (#299 & #300)
  • 新增函数（evaluate.mcnemar_tables），用于从模型预测数组创建多个 2x2 列联表，可用于多个 McNemar (post-hoc) 检验或 Cochran's Q 或 F 检验等。 (#307)
  • 新增函数（evaluate.cochrans_q），用于执行 Cochran's Q 检验以比较多个分类器的准确性。 (#310)
变更
错误修复
  • 改进了通过精确 McNemar 检验计算的 p 值的数值稳定性 (#306)
  • 使用该库不再需要 nose (#302)

版本 0.9.1 (2017-11-19)

下载
新特性
  • 添加了 mlxtend.evaluate.bootstrap_point632_score，用于使用 .632 bootstrap 评估估算器的性能。 (#283)
  • 通过 apriori 函数生成频繁项集的新参数 max_len，允许提前停止。 (#270)
变更
  • SequentialFeatureSelector 中的所有特征索引元组现在都按排序顺序排列。 (#262)
  • SequentialFeatureSelector 现在按照 Novovicova & Kittler (1994) 中描述的方式运行浮动包含/排除的延续。请注意，这在任何测试场景中都没有导致性能差异，但在某些边缘情况下可能导致更好的性能。 (#262)
  • utils.Counter 现在接受一个 name 变量来帮助区分多个计数器，时间精度可以通过 'precision' kwarg 设置，新的属性 end_time 保存了最后一次迭代完成的时间。 (#278 via Mathew Savage)
错误修复
  • 修复了使用 SciPy 1.0 时 McNemar 检验发生的弃用错误。 (#283)

版本 0.9.0 (2017-10-21)

下载
新特性
  • 添加了 evaluate.permutation_test，这是一个用于假设检验（或 A/B 测试）的置换检验，用于检验两个样本是否来自同一分布。换句话说，这是一个检验两个组是否没有显著差异（例如，治疗组和对照组）的零假设的过程。 (#250)
  • 将 `'leverage'` 和 `'conviction` 添加到 frequent_patterns.association_rules 函数作为评估指标。 (#246 & #247)
  • 向 PrincipalComponentAnalysis 添加了 loadings_ 属性，用于计算特征在主成分上的因子载荷。 (#251)
  • 允许在集成和堆叠估算器中对分类器/回归器进行网格搜索。 (#259)
  • 新增 make_multiplexer_dataset 函数，用于创建由 n 位布尔多路复用器生成的数据集，以评估监督学习算法。 (#263)
  • 新增 BootstrapOutOfBag 类，是 out-of-bag bootstrap 的实现，用于评估监督学习算法。 (#265)
  • StackingClassifier、StackingCVClassifier、StackingRegressor、StackingCVRegressor 和 EnsembleVoteClassifier 的参数现在可以使用 scikit-learn 的 GridSearchCV 进行调优 (#254 via James Bourbeau)
变更
  • frequent_patterns.association_rules 返回的 `'support'` 列已更改为计算“先行项与后继项的并集”的支持度，并添加了新的 antecedant support' 和 `'consequent support'` 列以避免歧义。 (#245)
  • 允许通过 scikit-learn 的 clone 函数克隆 OnehotTransactions，这对于例如 scikit-learn 的 FeatureUnion 或 GridSearchCV 是必需的（通过 Iaroslav Shcherbatyi）。 (#249)
错误修复
  • 修复了 _IterativeModel 子类中 self._init_time 参数的问题。 (#256)
  • 修复了在 Python 2.7 上运行 plot_ecdf 时发生的精度 bug。 (264)
  • PrincipalComponentAnalysis 中来自 SVD 的向量现在已缩放，因此通过 solver='eigen' 和 solver='svd' 的特征值现在存储具有相同大小的特征值。 (#251)

版本 0.8.0 (2017-09-09)

下载
新特性
  • 添加了 mlxtend.evaluate.bootstrap，它实现了普通的非参数 bootstrap 来 bootstrap 单个统计量（例如，回归拟合的均值、中位数、R^2 等） #232
  • SequentialFeatureSelector 的 k_features 现在接受字符串参数“best”或“parsimonious”以实现更“自动化”的特征选择。例如，如果提供“best”，特征选择器将返回具有最佳交叉验证性能的特征子集。如果提供“parsimonious”作为参数，将选择在交叉验证性能的一个标准误差内的最小特征子集。 #238
变更
  • SequentialFeatureSelector 现在使用 np.nanmean 而不是正常均值来支持可能返回 np.nan 的评分器 #211 (via mrkaiser)
  • skip_if_stuck 参数已从 SequentialFeatureSelector 中移除，取而代之的是更高效的实现，它比较了条件包含/排除结果（在浮动版本中）与先前缓存的采样特征集的性能 #237
  • ExhaustiveFeatureSelector 已修改以显著减少内存消耗 #195 (via Adam Erickson)
错误修复
  • 修复了 SequentialFeatureSelector 选择的特征子集大于通过 k_features 元组最大值指定的子集的 bug #213

版本 0.7.0 (2017-06-22)

下载
新特性
变更
  • TensorFlow 估算器已从 mlxtend 中移除，因为 TensorFlow 现在有非常方便的方式来构建估算器，这使得这些实现变得过时。
  • plot_decision_regions 现在支持绘制超过 2 个训练特征的决策区域 #189， via James Bourbeau)。
  • mlxtend.feature_selection.SequentialFeatureSelector 和 mlxtend.feature_selection.ExhaustiveFeatureSelector 中的并行执行现在在不同的特征子集上进行，而不是在不同的交叉验证折叠上进行，以便在特征数量很大时更好地利用具有多个处理器的机器 (#193， via @whalebot-helmsman)。
  • 如果在 StackingCVClassifer 中将 pandas DataFrames 或 Python 列表的列表作为 fit 参数输入，则会引发有意义的错误消息 (198)。
  • StackingCVClassifier 的 n_folds 参数已更改为 cv，现在可以接受 scikit-learn 中可用的任何交叉验证技术。例如，StackingCVClassifier(..., cv=StratifiedKFold(n_splits=3)) 或 StackingCVClassifier(..., cv=GroupKFold(n_splits=3)) (#203， via Konstantinos Paliouras)。
错误修复
  • SequentialFeatureSelector 现在正确接受 scoring 参数的 None 参数，以从 scikit-learn 分类器和回归器中推断默认评分指标 (#171)。
  • plot_decision_regions 函数现在支持通过 matplotlib 的 plt.subplots 生成的现有轴对象。 (#184，参见示例)
  • 使 math.num_combinations 和 math.num_permutations 对于大量组合和排列具有数值稳定性 (#200)。

版本 0.6.0 (2017-03-18)

下载
新特性
  • 实现了一个 association_rules 函数，该函数允许根据频繁项集列表生成规则（通过 Joshua Goerner）。
变更
  • 通过 plotting.plot_decision_regions 为绘图添加了黑色 edgecolor，以便在 matplotlib>=2.0 中使标记更容易与背景区分开来。
  • association 子模块已重命名为 frequent_patterns。
错误修复
  • apriori 结果的 DataFrame 索引现在是唯一的且有序的。
  • 修复了 autompg 和 wine 数据集中的拼写错误（通过 James Bourbeau）。

版本 0.5.1 (2017-02-14)

下载
新特性
  • EnsembleVoteClassifier 新增了一个 refit 属性，如果 refit=False，则防止重新拟合分类器以节省计算时间。
  • 在 evaluate 中添加了一个新的 lift_score 函数来计算 lift 分数（通过 Batuhan Bardak）。
  • 如果底层模型支持多元目标，StackingClassifier 和 StackingRegressor 也支持多元目标（通过 kernc）。
  • StackingClassifier 新增了一个像 StackingCVClassifier 一样的 use_features_in_secondary 属性。
变更
  • 将 SequentialFeatureSelector 中的默认详细级别更改为 0
  • 如果在调用 predict 之前没有 fit，EnsembleVoteClassifier 现在会引发 NotFittedError。（通过 Anton Loss）
  • 添加了新的 TensorFlow 变量初始化语法，以确保与 TensorFlow 1.0 兼容
错误修复
  • 修复了 SequentialFeatureSelector 中 k_features 的错误默认值
  • 将 SequentialFeautureSelector 中选定的特征子集转换为集合，以防止如果 k_idx 是同一组合的不同排列时迭代器卡住（通过 Zac Wellmer）。
  • 修复了学习曲线的问题，该问题导致性能指标被颠倒（通过 ipashchenko）
  • 修复了在浮动变体中存在性能相似的子集时，SequentialFeatureSelector 中可能发生的错误（通过 Zac Wellmer）。

版本 0.5.0 (2016-11-09)

下载
新特性
  • mlxtend.feature_selection 中新增 ExhaustiveFeatureSelector 估算器，用于评估指定范围内的所有特征组合
  • StackingClassifier 新增参数 average_probas，默认为 True 以保持当前行为。但新增了弃用警告，未来版本 (0.6.0) 中将默认为 False；average_probas=False 将导致堆叠级别 1 的预测概率，而不是平均这些概率。
  • “mlxtend.classifier”中新增 StackingCVClassifier 估算器，用于实现堆叠集成，该集成使用交叉验证技术训练元估算器以避免过拟合（Reiichiro Nakano）
  • 新增 OnehotTransactions 编码器类，添加到 preprocessing 子模块，用于将交易数据转换为独热编码数组
  • mlxtend.feature_selection 中的 SequentialFeatureSelector 估算器现在可以通过 control+c 安全地中止进程，并且弃用了 print_progress，转而使用更可调的 verbose 参数（Will McGinnis）
  • association 中新增 apriori 函数，用于从交易数据中提取频繁项集以进行关联规则挖掘
  • plotting 中新增 checkerboard_plot 函数，用于绘制棋盘表格/热图
  • evaluate 中新增 mcnemar_table 和 mcnemar 函数，用于计算 2x2 列联表和 McNemar 检验
变更
  • 所有绘图函数已移至 mlxtend.plotting，以便与持续集成服务兼容，并使 matplotlib 对于 mlxtend 核心功能的用户成为可选安装项
  • 添加了 scikit-learn 0.18 的兼容层，使用新的 model_selection 模块，同时保持对 scikit-learn 0.17 的向后兼容性。
错误修复
  • 如果存在超过 4 个类别标签，mlxtend.plotting.plot_decision_regions 现在可以正确绘制决策区域
  • 当 X_higlight 参数是 1D 数组时，在 plot_decision_regions 中引发 AttributeError（chkoar）

版本 0.4.2 (2016-08-24)

下载
新特性
  • 新增 preprocessing.CopyTransformer，一个通过 transform 和 fit_transform 返回输入数组副本的模拟类
变更
  • CI 中添加了 AppVeyor，以确保 MS Windows 兼容性
  • 数据集现在保存为压缩的 .txt 或 .csv 文件，而不是导入为 Python 对象
  • feature_selection.SequentialFeatureSelector 现在支持使用元组指定“最小-最大” k_features 范围来选择 k_features
  • 向 PrincipalComponentAnalysis 添加了“SVD 求解器”选项
  • 如果在调用 fit 之前调用了 transform 或 get_metric_dict，则在 SequentialFeatureSelector 中引发带有“not fitted”消息的 AttributeError
  • 如果在 TfMultiLayerPerceptron 的隐藏层中激活函数是 ReLU，则使用小的正偏置单元，以避免死神经元
  • 向 SequentialFeatureSelector 添加了一个可选的 clone_estimator 参数，默认为 True，以避免修改原始估算器对象
  • 在 evaluate.plot_decision_regions 函数中进行了更严格的类型和形状检查
  • 如果输入数组*不是*稀疏的，DenseTransformer 现在不会引发错误
  • 使用 scikit-learn 的 BaseEstimator 作为 feature_selection.ColumnSelector 的父类进行 API 清理
错误修复
  • 修复了当为 SequentialFeatureSelector 的 k_features 参数提供元组范围且评分指标小于 -1（例如 scikit-learn 的 MSE 评分函数）时出现的问题（wahutch）
  • 修复了在 StackingClassifier 中 verbose > 1 时发生的 AttributeError 问题
  • 修复了 classifier.SoftmaxRegression 中的一个 bug，该 bug 使用了偏移量的平均值而不是它们的总和来更新偏置单元
  • 修复了 MLP _layer_mapping 函数中一个罕见的 bug，该 bug 导致在初始化权重和偏置时交换了随机数生成种子

版本 0.4.1 (2016-05-01)

下载
新特性
  • 新增 TensorFlow 线性回归估算器（tf_regressor.TfLinearRegression）
  • 新增 k 均值聚类估算器（cluster.Kmeans）
  • 新增 TensorFlow k 均值聚类估算器（tf_cluster.Kmeans）
变更
  • 由于估算器类的重构，fit 方法的 init_weights 参数已全局重命名为 init_params
  • 由于代码清理和重构，估算器的整体性能有所提升
  • 添加了额外的几种检查以验证正确的数组类型，并提供更有意义的异常消息
  • 为 tf_classifier.TfMultiLayerPerceptron 分类器添加了可选的 dropout 以进行正则化
  • 为 tf_classifier.TfMultiLayerPerceptron 分类器添加了可选的 decay 参数，用于通过学习率 eta 的指数衰减实现自适应学习
  • 用更简化的 MultiLayerPerceptron（classifier.MultiLayerPerceptron）替换了旧的 NeuralNetMLP；现在输出层也带有 softmax 和分类交叉熵损失。
  • 统一了 fit 函数的 init_params 参数，以便在算法停止的地方继续训练（如果支持）

版本 0.4.0 (2016-04-09)

新特性
变更
  • mlxtend.preprocessing.standardize 中的 column 参数现在默认为 None，以便更方便地标准化所有列

版本 0.3.0 (2016-01-31)

下载
新特性
  • 为 classifier.NeuralNetMLP 添加了进度条跟踪器
  • 添加了一个函数来对预测与目标类别标签进行评分 evaluate.scoring
  • 添加了混淆矩阵函数来创建（evaluate.confusion_matrix）和绘制（evaluate.plot_confusion_matrix）混淆矩阵
  • mlxtend.evaluate.plot_learning_curves 中新增样式参数和改进的轴缩放
  • 向 mlxtend.data 添加了 loadlocal_mnist，用于将本地字节文件中的 MNIST 流式传输到 numpy 数组中
  • 新增 NeuralNetMLP 参数：random_weights, shuffle_init, shuffle_epoch
  • 新增 SFS 功能，例如生成 pandas DataFrame 结果表和绘图函数（带有置信区间、标准差和标准误差条）
  • 在 SFS 中添加了对回归估算器的支持
  • 新增波士顿 housing dataset
  • 新增 classifier.NeuralNetMLP 的 shuffle 参数
变更
  • mlxtend.preprocessing.standardize 函数现在可选地返回从数组估计的参数，以便重用。进一步的改进使得 standardize 函数更智能，以避免零除错误
  • evaluate.plot_decision_regions 函数的美学改进，例如隐藏绘图轴
  • 将 classifier.EnsembleClassfier 重命名为 classifier.EnsembleVoteClassifier
  • 改进了 Perceptron、Adaline、LinearRegression 和 LogisticRegression 中的随机权重初始化
  • 将 mlxtend.classifier.Adaline 的 learning 参数更改为 solver，并添加了“正规方程”作为封闭形式解求解器
  • 在 1 维评估中，隐藏 mlxtend.evaluate.plot_decision_regions 中的 y 轴标签
  • 序贯特征选择算法已统一为一个单独的 SequentialFeatureSelector 类，带有参数以启用浮动选择并在前向选择和后向选择之间切换。
  • MNIST 的分层抽样（现在从 10 个数字类别中抽取 500 个随机样本）
  • 将 mlxtend.plotting 重命名为 mlxtend.general_plotting，以区分通用绘图函数和专业效用函数（例如 evaluate.plot_decision_regions）

版本 0.2.9 (2015-07-14)

下载
新特性
  • 序贯特征选择算法：SFS、SFFS、SBS 和 SFBS
变更
  • 将 LogisticRegression 中的 regularization 和 lambda 参数更改为单个参数 l2_lambda

版本 0.2.8 (2015-06-27)

  • API 更改
    • mlxtend.sklearn.EnsembleClassifier -> mlxtend.classifier.EnsembleClassifier
    • mlxtend.sklearn.ColumnSelector -> mlxtend.feature_selection.ColumnSelector
    • mlxtend.sklearn.DenseTransformer -> mlxtend.preprocessing.DenseTransformer
    • mlxtend.pandas.standardizing -> mlxtend.preprocessing.standardizing
    • mlxtend.pandas.minmax_scaling -> mlxtend.preprocessing.minmax_scaling
    • mlxtend.matplotlib -> mlxtend.plotting
  • 为 mlxtend.classifier.NeuralNetMLP 添加了动量学习参数（alpha 系数）。
  • 为 mlxtend.classifier.NeuralNetMLP 添加了自适应学习率（递减常数）。
  • mlxtend.pandas.minmax_scaling 更名为 mlxtend.preprocessing.minmax_scaling，现在也支持 NumPy 数组
  • mlxtend.pandas.standardizing 更名为 mlxtend.preprocessing.standardizing，现在支持 NumPy 数组和 pandas DataFrame；此外，现在可以使用 ddof 参数来设置计算标准差时的自由度

版本 0.2.7 (2015-06-20)

  • 新增多层感知机（前馈人工神经网络）分类器为 mlxtend.classifier.NeuralNetMLP。
  • 向 mlxtend.data 添加了来自 MNIST 手写数字数据集的 5000 个带标签的训练样本

版本 0.2.6 (2015-05-08)

  • 新增使用不同求解器（梯度下降、随机梯度下降和封闭形式解（正规方程））的普通最小二乘回归
  • 为逻辑回归分类器添加了随机权重初始化选项，并更新了 l2 正则化
  • 向 mlxtend.data 添加了 wine 数据集
  • 向 mlxtend.matplotlib.enrichtment_plot 添加了 invert_axes 参数，以便可选地在 x 轴上绘制“Count”
  • 由 Alejandro C. Bahnsen 为 mlxtend.sklearn.EnsembleClassifier 新增 verbose 参数
  • 新增 mlxtend.pandas.standardizing，用于标准化 Pandas DataFrame 中的列
  • 向 mlxtend.matplotlib.enrichment_plot 添加了参数 linestyles 和 markers
  • mlxtend.regression.lin_regplot 自动添加 np.newaxis 并支持 python 列表
  • 新增分词器：mlxtend.text.extract_emoticons 和 mlxtend.text.extract_words_and_emoticons

版本 0.2.5 (2015-04-17)

  • 新增序贯后向选择（mlxtend.sklearn.SBS）
  • 向 mlxtend.evaluate.plot_decision_regions 添加了 X_highlight 参数，用于高亮显示测试数据点。
  • 添加了 mlxtend.regression.lin_regplot，用于绘制线性回归拟合的直线。
  • 添加了 mlxtend.matplotlib.stacked_barplot，用于方便地使用 pandas DataFrame 生成堆叠条形图。
  • 新增 mlxtend.matplotlib.enrichment_plot

版本 0.2.4 (2015-03-15)

  • 向 mlxtend.evaluate.learning_curves 添加了 scoring (由用户 pfsq 提供)
  • 修复了由缺少 README.html 文件引起的 setup.py 错误
  • 用于 pandas DataFrames 和 Numpy 数组的 matplotlib.category_scatter

版本 0.2.3 (2015-03-11)

  • 新增逻辑回归
  • 梯度下降和随机梯度下降感知器已更改为 Adaline（自适应线性神经元）
  • Perceptron 和 Adaline 用于 {0, 1} 类别
  • 新增 mlxtend.preprocessing.shuffle_arrays_unison 函数，用于统一打乱一个或多个 NumPy 数组。
  • 为随机梯度下降分类器添加了 shuffle 和随机种子参数。
  • 为 mlxtend.file_io.find_filegroups 添加了 rstrip 参数，以允许修剪基本名称。
  • 向 mlxtend.file_io.find_filegroups 和 find_files 添加了 ignore_substring 参数。
  • 使用更强大的 regex 替换了 mlxtend.file_io.find_filegroups 中的 .rstrip。
  • mlxtend.sklearn.EnsembleClassifier 的网格搜索支持

版本 0.2.2 (2015-03-01)

  • 改进了 EnsembleClassifier 的鲁棒性。
  • 扩展了 plot_decision_regions() 功能，用于绘制 1D 决策边界。
  • 函数 matplotlib.plot_decision_regions 已重组为 evaluate.plot_decision_regions。
  • evaluate.plot_learning_curves() 函数已添加。
  • 新增了 Rosenblatt、梯度下降和随机梯度下降感知器。

版本 0.2.1 (2015-01-20)

  • 新增 mlxtend.pandas.minmax_scaling - 一个用于重新缩放 pandas DataFrame 列的函数。
  • EnsembleClassifier 接口的微小更新（新增 voting 参数）
  • 修复了 EnsembleClassifier 在类别标签不是从 0 到 n 的整数时无法返回正确类别标签的 bug。
  • 新增 matplotlib 函数，用于绘制分类器的决策区域。

版本 0.2.0 (2015-01-13)

  • 改进了 mlxtend.text.generalize_duplcheck，以删除重复项并防止无限循环问题。
  • 为 mlxtend.file_io.find_files 添加了 recursive 搜索参数。
  • 为 mlxtend.file_io.find_files 添加了 check_ext 参数，以基于文件扩展名进行搜索。
  • mlxtend.file_io.find 的默认参数是忽略不可见文件。
  • 为 EnsembleClassifier 添加了 transform 和 fit_transform。
  • 新增 mlxtend.file_io.find_filegroups 函数。

版本 0.1.9 (2015-01-10)

  • 实现了 scikit-learn EnsembleClassifier（多数投票规则）类。

版本 0.1.8 (2015-01-07)

  • 改进了 mlxtend.text.generalize_names，以处理某些荷兰姓氏前缀（van, van der, de 等）。
  • 新增 mlxtend.text.generalize_name_duplcheck 函数，用于将 mlxtend.text.generalize_names 函数应用于 pandas DataFrame，而不创建重复项。

版本 0.1.7 (2015-01-07)

  • 新增文本工具，包含名称泛化功能。
  • 新增文件 I/O 工具。

版本 0.1.6 (2015-01-04)

  • 新增组合和排列估算器。

版本 0.1.5 (2014-12-11)

  • 新增 DenseTransformer，用于管道和网格搜索。

版本 0.1.4 (2014-08-20)

  • mean_centering 函数现在是一个类，它创建 MeanCenterer 对象，这些对象可以通过 fit 方法拟合数据，并通过 transform 和 fit_transform 方法将数据中心化到列均值。

版本 0.1.3 (2014-08-19)

  • 新增 preprocessing 模块和 mean_centering 函数。

版本 0.1.2 (2014-08-19)

  • 新增 matplotlib 工具和 remove_borders 函数。

版本 0.1.1 (2014-08-13)

  • 简化了 ColumnSelector 的代码。