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

Aperta
#489 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
35/100
Tipo di issue
Funzionalità
Chiarezza
Abbastanza chiara
Stato di attività
Attiva
Stack tecnologico
python, scikit-learn
Ambito
machine-learning, performance

Direzione di ricerca

Inizia con il lavoro di benchmark tracciato in #478 e segui il flusso dei totali canonici degli estimator verso gli artefatti congelati e Pages. Esamina i percorsi delle operazioni supportate e dei prerequisiti di stato per fit, predict, transform, decision_function e, quando applicabile, predict_proba. Il lavoro è completato quando mediana, IQR, speedup, stato, parità e collegamenti alle loss a livello di operazione sono rappresentati e i criteri di uscita di #478 sono valutati per ogni operazione.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

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.

Lingua principale
Python
Stelle
2
Fork
0
Merge medio
4h 33m
PR unite (30g)
9

Guida per i contributori

Nessuna guida per i contributori indicizzata per questo repository

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di godofecht/flow-scikit

Tutte le issue di godofecht/flow-scikit

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.