.. include:: _contributors.rst .. currentmodule:: sklearn ============ 版本 0.16 ============ .. _changes_0_16_1: 版本 0.16.1 =============== **2015年4月14日** 更新日志 --------- 错误修复 ......... - 允许在 :class:`covariance.LedoitWolf` 中输入大于 ``block_size`` 的数据，由 `Andreas Müller`_ 提供。 - 修复了 :class:`isotonic.IsotonicRegression` 去重中的一个错误，该错误导致 :class:`calibration.CalibratedClassifierCV` 中的结果不稳定，由 `Jan Hendrik Metzen`_ 提供。 - 修复了 func:`preprocessing.label_binarize` 中标签排序的问题，由 Michael Heilman 提供。 - 修复了 :class:`cross_decomposition.CCA` 和 :class:`cross_decomposition.PLSCanonical` 中的几个稳定性和收敛性问题，由 `Andreas Müller`_ 提供。 - 修复了 :class:`cluster.KMeans` 在 ``precompute_distances=False`` 时对 fortran 顺序数据的错误。 - 修复了 :class:`ensemble.RandomForestClassifier` 的 ``predict`` 和 ``predict_proba`` 中的速度回归问题，由 `Andreas Müller`_ 提供。 - 修复了 ``utils.shuffle`` 将列表和数据框转换为数组的回归问题，由 `Olivier Grisel`_ 提供。 .. _changes_0_16: 版本 0.16 ============ **2015年3月26日** 亮点 ----------- - 速度提升（特别是在 :class:`cluster.DBSCAN` 中），减少了内存需求，修复了错误，并改进了默认设置。 - 多项逻辑回归和 :class:`linear_model.LogisticRegressionCV` 中的路径算法。 - 通过 :class:`decomposition.IncrementalPCA` 进行核心外学习的主成分分析。 - 使用 :class:`calibration.CalibratedClassifierCV` 对分类器进行概率校准。 - 用于大规模数据集的 :class:`cluster.Birch` 聚类方法。 - 在 `neighbors.LSHForest` 中使用局部敏感哈希森林进行可扩展的近似最近邻搜索。 - 改进了错误消息，并在使用格式错误的数据时进行了更好的验证。 - 与 pandas 数据框更稳健的集成。 更新日志 --------- 新功能 ............ - 新的 `neighbors.LSHForest` 实现了局部敏感哈希，用于近似最近邻搜索。作者：:user:`Maheshakya Wijewardena` 。 - 添加了 :class:`svm.LinearSVR` 。该类使用 liblinear 实现的支持向量回归，对于大样本量比使用线性核的 :class:`svm.SVR` 快得多。作者： `Fabian Pedregosa`_ 和 Qiang Luo。 - 为 :class:`GaussianNB ` 增加了增量拟合功能。 - 为 :class:`dummy.DummyClassifier` 和 :class:`dummy.DummyRegressor` 添加了 ``sample_weight`` 支持。作者： `Arnaud Joly`_ 。 - 添加了 :func:`metrics.label_ranking_average_precision_score` 指标。作者： `Arnaud Joly`_ 。 - 添加了 :func:`metrics.coverage_error` 指标。作者： `Arnaud Joly`_ 。 - 添加了 :class:`linear_model.LogisticRegressionCV` 。作者： `Manoj Kumar`_ 、 `Fabian Pedregosa`_ 、 `Gael Varoquaux`_ 和 `Alexandre Gramfort`_ 。 - 为构造函数添加了 ``warm_start`` 参数，使得任何训练好的森林模型可以增量地增加额外的树。作者：:user:`Laurent Direr` 。 - 为 :class:`ensemble.GradientBoostingClassifier` 和 :class:`ensemble.GradientBoostingRegressor` 添加了 ``sample_weight`` 支持。作者： `Peter Prettenhofer`_ 。 - 添加了 :class:`decomposition.IncrementalPCA` ，这是一种支持使用 ``partial_fit`` 方法进行外存学习的 PCA 算法实现。作者： `Kyle Kastner`_ 。 - 为 :class:`SGDClassifier ` 和 :class:`SGDRegressor ` 实现了平均 SGD。作者：:user:`Danny Sullivan ` 。 - 添加了 `cross_val_predict` 函数，该函数计算交叉验证的估计值。作者： `Luis Pedro Coelho`_ 。 - 添加了 :class:`linear_model.TheilSenRegressor` ，一种稳健的广义中位数估计器。作者：:user:`Florian Wilhelm ` 。 - 添加了 :func:`metrics.median_absolute_error` ，一种稳健的指标。作者： `Gael Varoquaux`_ 和 :user:`Florian Wilhelm ` 。 - 添加了 :class:`cluster.Birch` ，一种在线聚类算法。由 `Manoj Kumar`_ 、 `Alexandre Gramfort`_ 和 `Joel Nothman`_ 贡献。 - 在 :class:`discriminant_analysis.LinearDiscriminantAnalysis` 中添加了收缩支持，使用两个新的求解器。由 :user:`Clemens Brunner ` 和 `Martin Billinger`_ 贡献。 - 添加了 :class:`kernel_ridge.KernelRidge` ，实现了核岭回归。由 `Mathieu Blondel`_ 和 `Jan Hendrik Metzen`_ 贡献。 - :class:`linear_model.Ridge` 中的所有求解器现在都支持 `sample_weight` 。由 `Mathieu Blondel`_ 贡献。 - 添加了 `cross_validation.PredefinedSplit` 交叉验证，用于固定用户提供的交叉验证折。由 :user:`Thomas Unterthiner ` 贡献。 - 添加了 :class:`calibration.CalibratedClassifierCV` ，一种用于校准分类器预测概率的方法。由 `Alexandre Gramfort`_ 、 `Jan Hendrik Metzen`_ 、 `Mathieu Blondel`_ 和 :user:`Balazs Kegl ` 贡献。 增强功能 .......... - 在 `hierarchical.ward_tree` 中添加了 ``return_distance`` 选项，以返回结构化和非结构化版本的算法中节点之间的距离。由 `Matteo Visconti di Oleggio Castello`_ 贡献。同样选项也添加到了 `hierarchical.linkage_tree` 中。由 `Manoj Kumar`_ 贡献。 - 在评分器对象中添加了对样本权重的支持。支持样本权重的指标将自动受益于此。由 `Noel Dawe`_ 和 `Vlad Niculae`_ 贡献。 - 在 :class:`linear_model.LogisticRegression` 中添加了 ``newton-cg`` 和 `lbfgs` 求解器支持。由 `Manoj Kumar`_ 贡献。 - 在 :class:`linear_model.Lasso` 、:class:`linear_model.ElasticNet` 及相关算法中添加了 ``selection="random"`` 参数，以实现随机坐标下降。由 `Manoj Kumar`_ 贡献。 - 在 `metrics.jaccard_similarity_score` 和 :func:`metrics.log_loss` 中添加了 ``sample_weight`` 参数。由 :user:`Jatin Shah ` 贡献。 - 在 :class:`preprocessing.LabelBinarizer` 和 :class:`multiclass.OneVsRestClassifier` (由 :user:`Hamzeh Alsalhi ` 贡献，感谢 Rohit Sivaprasad), 以及评估指标 (由 `Joel Nothman`_ 贡献)。 - 在 `metrics.jaccard_similarity_score` 中添加 ``sample_weight`` 参数。 由 `Jatin Shah` 贡献。 - 在 `metrics.hinge_loss` 中添加对多类别的支持。添加了 ``labels=None`` 作为可选参数。由 `Saurabh Jha` 贡献。 - 在 `metrics.hinge_loss` 中添加 ``sample_weight`` 参数。 由 `Saurabh Jha` 贡献。 - 在 :class:`linear_model.LogisticRegression` 中添加 ``multi_class="multinomial"`` 选项， 实现一个最小化交叉熵或多项损失的逻辑回归求解器，而不是默认的 One-vs-Rest 设置。 支持 `lbfgs` 和 `newton-cg` 求解器。由 `Lars Buitinck`_ 和 `Manoj Kumar`_ 贡献。 求解器选项 `newton-cg` 由 Simon Wu 贡献。 - ``DictVectorizer`` 现在可以在单次传递中对可迭代对象执行 ``fit_transform`` ， 当给出选项 ``sort=False`` 时。由 :user:`Dan Blanchard ` 贡献。 - :class:`model_selection.GridSearchCV` 和 :class:`model_selection.RandomizedSearchCV` 现在可以配置为与可能失败并在单个折叠中引发错误的估计器一起工作。 此选项由 `error_score` 参数控制。这不会影响在重新拟合时引发的错误。 由 :user:`Michal Romaniuk ` 贡献。 - 在 `metrics.classification_report` 中添加 ``digits`` 参数，以允许报告显示不同精度的浮点数。 由 :user:`Ian Gilmore ` 贡献。 - 在 :class:`dummy.DummyRegressor` 中添加分位数预测策略。 由 :user:`Aaron Staple ` 贡献。 - 在 :class:`preprocessing.OneHotEncoder` 中添加 ``handle_unknown`` 选项， 以在转换过程中更优雅地处理未知的分类特征。 由 `Manoj Kumar`_ 贡献。 - 增加了对决策树及其集成模型的稀疏输入数据的支持。 由 `Fares Hedyati`_ 和 `Arnaud Joly`_ 贡献。 - 通过减少操作次数优化了 :class:`cluster.AffinityPropagation` 。 大型临时数据结构的内存分配。作者： `Antony Lee`_ 。 - 随机森林中特征重要性的并行计算。作者： `Olivier Grisel`_ 和 `Arnaud Joly`_ 。 - 在构造函数中接受 ``max_iter`` 属性的估计器添加了 ``n_iter_`` 属性。作者： `Manoj Kumar`_ 。 - 为 :class:`multiclass.OneVsOneClassifier` 添加了决策函数。作者： `Raghav RV`_ 和 :user:`Kyle Beauchamp ` 。 - `neighbors.kneighbors_graph` 和 `radius_neighbors_graph` 支持非欧几里得度量。作者： `Manoj Kumar`_ 。 - :class:`cluster.AgglomerativeClustering` 及其系列中的参数 ``connectivity`` 现在接受返回连接矩阵的可调用对象。作者： `Manoj Kumar`_ 。 - 为 :func:`metrics.pairwise.paired_distances` 添加了稀疏支持。作者： `Joel Nothman`_ 。 - :class:`cluster.DBSCAN` 现在支持稀疏输入和样本权重，并已优化：内部循环已用 Cython 重写，半径邻居查询现在以批处理方式计算。作者： `Joel Nothman`_ 和 `Lars Buitinck`_ 。 - 为 :class:`ensemble.RandomForestClassifier` 、:class:`tree.DecisionTreeClassifier` 、:class:`ensemble.ExtraTreesClassifier` 和 :class:`tree.ExtraTreeClassifier` 添加了 ``class_weight`` 参数，以根据类别频率自动加权样本。作者： `Trevor Stephens`_ 。 - `grid_search.RandomizedSearchCV` 现在在所有参数都以列表形式给出时进行无放回抽样。作者： `Andreas Müller`_ 。 - 现在支持对 scipy 度量和自定义可调用对象进行 :func:`metrics.pairwise_distances` 的并行计算。作者： `Joel Nothman`_ 。 - 允许在 :class:`pipeline.Pipeline` 中对所有聚类算法进行拟合和评分。作者： `Andreas Müller`_ 。 - 通过 `Andreas Müller`_ 使 :class:`cluster.MeanShift` 的种子更加健壮并改进了错误消息。 - 使 `mixture.GMM` 、 `mixture.DPGMM` 和 `mixture.VBGMM` 的停止准则对初始条件不那么敏感。作者： `Andreas Müller`_ 。 通过阈值化平均对数似然变化而不是所有样本的总和来计算样本数量。作者： `Hervé Bredin`_ 。 - :func:`manifold.spectral_embedding` 的结果通过翻转特征向量的符号变得确定性。作者：:user:`Hasil Sharma ` 。 - :class:`preprocessing.PolynomialFeatures` 在性能和内存使用方面有了显著改进。作者： `Eric Martin`_ 。 - :class:`preprocessing.StandardScaler` 和 :func:`preprocessing.scale` 的数值稳定性得到了改进。作者： `Nicolas Goix`_ 。 - 在稀疏输入上拟合的 :class:`svm.SVC` 现在实现了 ``decision_function`` 。作者： `Rob Zinkov`_ 和 `Andreas Müller`_ 。 - `cross_validation.train_test_split` 现在保留输入类型，而不是转换为 numpy 数组。 文档改进 .......... - 增加了使用 :class:`pipeline.FeatureUnion` 处理异构输入的示例。作者：:user:`Matt Terry ` 。 - 评分器的文档得到了改进，突出了损失函数的处理。作者：:user:`Matt Pico ` 。 - 现在注意到 liblinear 输出与 scikit-learn 包装器之间的差异。作者： `Manoj Kumar`_ 。 - 改进了文档生成：引用类或函数的示例现在在类/函数的 API 参考页面上以图库形式展示。作者： `Joel Nothman`_ 。 - 更明确的样本生成器和数据转换文档。作者： `Joel Nothman`_ 。 - :class:`sklearn.neighbors.BallTree` 和 :class:`sklearn.neighbors.KDTree` 曾指向声明它们是 BinaryTree 别名的空页面。现已修复，显示正确的类文档。作者： `Manoj Kumar`_ 。 - 增加了使用 :func:`metrics.silhouette_samples` 和 :func:`metrics.silhouette_score` 进行 KMeans 聚类分析的轮廓图。参见 :ref:`sphx_glr_auto_examples_cluster_plot_kmeans_silhouette_analysis.py` 。 错误修复 ........ - Metaestimators 现在支持对 `decision_function` 、 `predict_proba` 和其他方法的存在进行鸭子类型检查。这修复了 `grid_search.GridSearchCV` 、 `grid_search.RandomizedSearchCV` 、:class:`pipeline.Pipeline` 、:class:`feature_selection.RFE` 、:class:`feature_selection.RFECV` 在嵌套时的行为。由 `Joel Nothman`_ 提供。 - 当 `grid_search.GridSearchCV` 作为基础估计器给出或基础估计器没有 `predict` 方法时，网格搜索和交叉验证方法的 `scoring` 属性不再被忽略。 - 函数 `hierarchical.ward_tree` 现在对于结构化和非结构化版本返回的子节点顺序一致。由 `Matteo Visconti di Oleggio Castello`_ 提供。 - :class:`feature_selection.RFECV` 现在正确处理了当 `step` 不等于 1 的情况。由 :user:`Nikolay Mayorov ` 提供。 - :class:`decomposition.PCA` 现在在其 `inverse_transform` 中撤销白化处理。同时，其 `components_` 现在始终具有单位长度。由 :user:`Michael Eickenberg ` 提供。 - 修复了调用 `datasets.download_20newsgroups` 时数据集下载不完整的问题。由 `Manoj Kumar`_ 提供。 - 对高斯过程子包进行了各种修复，由 Vincent Dubourg 和 Jan Hendrik Metzen 提供。 - 调用 `partial_fit` 时，如果 `class_weight=='auto'` ，会抛出适当的错误消息并建议解决方法。由 :user:`Danny Sullivan ` 提供。 - :class:`RBFSampler ` 在 `gamma=g` 时，之前近似于 `rbf_kernel ` 的 `gamma=g/2.` ；现在 `gamma` 的定义一致了，如果你使用固定值，这可能会显著改变你的结果（如果你在 `gamma` 上进行了交叉验证，可能影响不大）。由 :user:`Dougal Sutherland ` 提供。 - Pipeline 对象将 `classes_` 属性委托给底层估计器。这允许，例如，对 Pipeline 对象进行 bagging。 By `Arnaud Joly`_ - :class:`neighbors.NearestCentroid` 现在在度量设置为 ``manhattan`` 时使用中位数作为质心。之前使用的是均值。 By `Manoj Kumar`_ - 通过裁剪大梯度和确保权重衰减重新缩放始终为正（对于大的 l2 正则化和大的学习率值），修复了 :class:`linear_model.SGDClassifier` 和 :class:`linear_model.SGDRegressor` 中的数值稳定性问题。 By `Olivier Grisel`_ - 当 `compute_full_tree` 设置为 "auto" 时，在 n_clusters 较高时构建完整树，在 n_clusters 较低时提前停止，而 :class:`cluster.AgglomerativeClustering` （及其相关类）的行为应该是相反的。 这一问题已由 `Manoj Kumar`_ 修复。 - 修复了 :func:`linear_model.enet_path` 和 :func:`linear_model.lasso_path` 中数据的惰性中心化问题。之前数据是围绕1进行中心化的，现在改为围绕原点进行中心化。 By `Manoj Kumar`_ - 修复了在使用连通性约束时，:class:`cluster.AgglomerativeClustering` 处理预计算亲和矩阵的问题。 By :user:`Cathy Deng ` - 修正了 :class:`sklearn.naive_bayes.MultinomialNB` 和 :class:`sklearn.naive_bayes.BernoulliNB` 中 ``partial_fit`` 处理 ``class_prior`` 的问题。 By `Trevor Stephens`_ - 修复了在多标签设置中使用未排序的 ``labels`` 时，:func:`metrics.precision_recall_fscore_support` 中的崩溃问题。 By `Andreas Müller`_ - 在 :class:`sklearn.neighbors.NearestNeighbors` 及其相关方法 ``radius_neighbors`` 、 ``kneighbors`` 、 ``kneighbors_graph`` 和 ``radius_neighbors_graph`` 中，当查询数据与拟合数据不同时，避免跳过第一个最近邻。 By `Manoj Kumar`_ - 修复了 `mixture.GMM` 中使用 tied 协方差时的对数密度计算问题。 By `Will Dawson`_ - 修复了 :class:`feature_selection.SelectFdr` 中的缩放错误，其中缺少了一个因子 ``n_features`` 。 By `Andrew Tulloch`_ - 修复了在使用距离加权和存在相同数据点时，:class:`neighbors.KNeighborsRegressor` 及相关类中的零除问题。 由 `Garret-R `_ 贡献。 - 修复了GMM中非正定协方差矩阵的舍入误差。 由 :user:`Alexis Mignon ` 贡献。 - 修复了:class:`naive_bayes.BernoulliNB` 中条件概率计算的错误。 由 `Hanna Wallach`_ 贡献。 - 使:class:`neighbors.NearestNeighbors` 的 ``radius_neighbors`` 方法在 ``algorithm='brute'`` 时返回边界上的样本。 由 `Yan Yi`_ 贡献。 - 翻转:class:`svm.SVC` 的 ``dual_coef_`` 符号，以使其与文档和 ``decision_function`` 保持一致。 由 Artem Sobolev 贡献。 - 修复了:class:`isotonic.IsotonicRegression` 中处理平局的问题。 我们现在使用目标的加权平均值（次要方法）。 由 `Andreas Müller`_ 和 `Michael Bommarito `_ 贡献。 API变更总结 ------------ - `GridSearchCV` 和 `cross_val_score` 以及其他元估计器不再将pandas DataFrame转换为数组，允许在自定义估计器中进行DataFrame特定的操作。 - `multiclass.fit_ovr` , `multiclass.predict_ovr` , `predict_proba_ovr` , `multiclass.fit_ovo` , `multiclass.predict_ovo` , `multiclass.fit_ecoc` 和 `multiclass.predict_ecoc` 已被弃用。请改用底层估计器。 - 最近邻估计器过去接受任意关键字参数并将其传递给距离度量。这在scikit-learn 0.18中将不再支持；请改用 ``metric_params`` 参数。 - `n_jobs` 参数已从fit方法移至LinearRegression类的构造函数中。 - :class:`multiclass.OneVsRestClassifier` 的 ``predict_proba`` 方法现在在多类情况下为每个样本返回两个概率；这与其它估计器和方法的文档一致。 - 但之前的版本意外地只返回了正概率。由 Will Lamond 和 `Lars Buitinck`_ 修复。 - 将 :class:`linear_model.ElasticNet` 和 :class:`linear_model.Lasso` 中的 `precompute` 默认值改为 False。设置 `precompute` 为 "auto" 在 `n_samples > n_features` 时发现较慢，因为计算 Gram 矩阵的计算成本很高，超过了仅为一个 alpha 拟合 Gram 的益处。现在 `precompute="auto"` 已被弃用，将在 0.18 版本中移除。由 `Manoj Kumar`_ 提供。 - 在 :func:`linear_model.enet_path` 和 :func:`linear_model.enet_path` 中公开 `positive` 选项，该选项约束系数为正。由 `Manoj Kumar`_ 提供。 - 用户现在应在执行多类或多标签（即非二元）分类时，向 :func:`sklearn.metrics.f1_score` 、:func:`sklearn.metrics.fbeta_score` 、:func:`sklearn.metrics.recall_score` 和 :func:`sklearn.metrics.precision_score` 提供显式的 `average` 参数。由 `Joel Nothman`_ 提供。 - 交叉验证的 `scoring` 参数现在接受 `'f1_micro'` 、 `'f1_macro'` 或 `'f1_weighted'` 。 `'f1'` 现在仅用于二元分类。类似的更改适用于 `'precision'` 和 `'recall'` 。由 `Joel Nothman`_ 提供。 - 在 :func:`linear_model.enet_path` 和 :func:`linear_model.lasso_path` 中移除了 `fit_intercept` 、 `normalize` 和 `return_models` 参数。它们自 0.14 版本起已被弃用。 - 从现在开始，所有估计器在调用任何 `predict` 类方法之前，如果模型未拟合，将统一引发 `NotFittedError` 。由 `Raghav RV`_ 提供。 - 对输入数据验证进行了重构，以实现更一致的输入验证。 `check_arrays` 函数被 `check_array` 和 `check_X_y` 取代。由 `Andreas Müller`_ 提供。 - 允许在 :class:`neighbors.NearestNeighbors` 的方法 `radius_neighbors` 、 `kneighbors` 、 `kneighbors_graph` 和 `radius_neighbors_graph` 中使用 `X=None` 。 :class:`sklearn.neighbors.NearestNeighbors` 及其相关类。如果设置为 None，则对于每个样本，这会避免将样本本身设置为第一个最近邻。由 `Manoj Kumar`_ 提供。 - 在 :func:`neighbors.kneighbors_graph` 和 :func:`neighbors.radius_neighbors_graph` 中添加参数 ``include_self`` ，用户必须显式设置。如果设置为 True，则将样本本身视为第一个最近邻。 - `thresh` 参数已弃用，取而代之的是 `GMM` 、 `DPGMM` 和 `VBGMM` 中的新 `tol` 参数。详情请参见 `Enhancements` 部分。由 `Hervé Bredin`_ 提供。 - 估计器在可能的情况下会将 dtype 为 object 的输入视为数值。由 `Andreas Müller`_ 提供。 - 估计器在拟合空数据（对于 2D 输入，样本数少于 1 或特征数少于 1）时会一致地引发 `ValueError` 。由 `Olivier Grisel`_ 提供。 - :class:`.linear_model.SGDClassifier` 、:class:`linear_model.SGDRegressor` 、:class:`linear_model.Perceptron` 、:class:`linear_model.PassiveAggressiveClassifier` 和 :class:`linear_model.PassiveAggressiveRegressor` 的 ``shuffle`` 选项现在默认为 ``True`` 。 - :class:`cluster.DBSCAN` 现在使用确定性初始化。 `random_state` 参数已弃用。由 :user:`Erich Schubert ` 提供。 代码贡献者 ------------ A. Flaxman, Aaron Schumacher, Aaron Staple, abhishek thakur, Akshay, akshayah3, Aldrian Obaja, Alexander Fabisch, Alexandre Gramfort, Alexis Mignon, Anders Aagaard, Andreas Mueller, Andreas van Cranenburgh, Andrew Tulloch, Andrew Walker, Antony Lee, Arnaud Joly, banilo, Barmaley.exe, Ben Davies, Benedikt Koehler, bhsu, Boris Feld, Borja Ayerdi, Boyuan Deng, Brent Pedersen, Brian Wignall, Brooke Osborn, Calvin Giles, Cathy Deng, Celeo, cgohlke, chebee7i, Christian Stade-Schuldt, Christof Angermueller, Chyi-Kwei Yau, CJ Carey, Clemens Brunner, Daiki Aminaka, Dan Blanchard, danfrankj, Danny Sullivan, David Fletcher、Dmitrijs Milajevs、Dougal J. Sutherland、Erich Schubert、Fabian Pedregosa、Florian Wilhelm、floydsoft、Félix-Antoine Fortin、Gael Varoquaux、Garrett-R、Gilles Louppe、gpassino、gwulfs、Hampus Bengtsson、Hamzeh Alsalhi、Hanna Wallach、Harry Mavroforakis、Hasil Sharma、Helder、Herve Bredin、Hsiang-Fu Yu、Hugues SALAMIN、Ian Gilmore、Ilambharathi Kanniah、Imran Haque、isms、Jake VanderPlas、Jan Dlabal、Jan Hendrik Metzen、Jatin Shah、Javier López Peña、jdcaballero、Jean Kossaifi、Jeff Hammerbacher、Joel Nothman、Jonathan Helmus、Joseph、Kaicheng Zhang、Kevin Markham、Kyle Beauchamp、Kyle Kastner、Lagacherie Matthieu、Lars Buitinck、Laurent Direr、leepei、Loic Esteve、Luis Pedro Coelho、Lukas Michelbacher、maheshakya、Manoj Kumar、Manuel、Mario Michael Krell、Martin、Martin Billinger、Martin Ku、Mateusz Susik、Mathieu Blondel、Matt Pico、Matt Terry、Matteo Visconti dOC、Matti Lyra、Max Linke、Mehdi Cherti、Michael Bommarito、Michael Eickenberg、Michal Romaniuk、MLG、mr.Shu、Nelle Varoquaux、Nicola Montecchio、Nicolas、Nikolay Mayorov、Noel Dawe、Okal Billy、Olivier Grisel、Óscar Nájera、Paolo Puggioni、Peter Prettenhofer、Pratap Vardhan、pvnguyen、queqichao、Rafael Carrascosa、Raghav R V、Rahiel Kasim、Randall Mason、Rob Zinkov、Robert Bradshaw、Saket Choudhary、Sam Nicholls、Samuel Charron、Saurabh Jha、sethdandridge、sinhrks、snuderl、Stefan Otte、Stefan van der Walt、Steve Tjoa、swu、Sylvain Zimmer、tejesh95、terrycojones、Thomas Delteil、Thomas Unterthiner、Tomas Kazmar、trevorstephens、tttthomasssss、Tzu-Ming Kuo、ugurcaliskan、ugurthemaster、Vinayak Mehta、Vincent Dubourg、Vjacheslav Murashkin、Vlad Niculae、wadawson、Wei Xue、Will Lamond、Wu Jiang、x0l、Xinfan Meng、Yan Yi、Yu-Chin