[Bench #478] Make fit/predict/transform/proba separate first-class performance rows

Abierto
#489 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
5/5
Tiempo estimado
Más de una semana
Aptitud para principiantes
35/100
Tipo de issue
Nueva funcionalidad
Claridad
Bastante claro
Estado de actividad
Activo
Stack tecnológico
python, scikit-learn
Área
machine-learning, performance

Línea de trabajo

Comienza con el trabajo de benchmarking registrado en #478 y sigue cómo los totales canónicos de los estimadores fluyen hacia los artefactos congelados y Pages. Revisa las rutas de operaciones compatibles y de prerrequisitos de estado para fit, predict, transform, decision_function y predict_proba cuando corresponda. Se considera terminado cuando la mediana, el IQR, el speedup, el estado, la paridad y los enlaces de loss a nivel de operación están representados, y los criterios de salida de #478 se evalúan por operación.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

Parent: #478

The canonical headline currently classifies an estimator/dataset from fit+predict combined time. That hides phase-local wins and losses: GaussianNB Digits fits faster but predicts slower; RandomForest Digits predicts faster but fits slower; KernelRidge loses in both; KernelSVC has different fit/predict behavior.

Generate machine-readable operation rows for every supported estimator operation: fit, predict, transform, decision_function and predict_proba where applicable. Headline estimator totals may remain as a secondary view, but no total may hide a losing operation.

Acceptance: operation-level median/IQR/speedup/status in frozen artifacts and Pages; operation parity/state prerequisites; each loss links to a focused issue; #478 exit criteria are evaluated over operations, not only estimator totals.

Lenguaje dominante
Python
Estrellas
2
Forks
0
Merge medio
4 h 33 min
PR fusionados (30 d)
9

Guía de contribución

No hay ninguna guía de contribución indexada para este repositorio

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de godofecht/flow-scikit

Todos los issues de godofecht/flow-scikit

Issues similares

Más issues de Python

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.