""" Python的机器学习模块

sklearn是一个Python模块，将经典的机器学习算法集成到科学Python包（numpy、scipy、matplotlib）的紧密结合中。

它旨在为学习问题提供简单高效的解决方案，这些解决方案对每个人都是可访问的，并且在各种上下文中可重复使用：机器学习作为科学和工程的通用工具。

请参阅http://scikit-learn.org以获取完整文档。 """

import sys import logging import os import random

from ._config import get_config, set_config, config_context

logger = logging.getLogger(name)

PEP0440兼容的格式化版本，参见：

https://www.python.org/dev/peps/pep-0440/

通用发布标记：

X.Y.0 #在Y增量后的第一个发布

X.Y.Z #针对错误修复版本

可接受的预发布标记：

X.Y.ZaN #Alpha发布

X.Y.ZbN #Beta发布

X.Y.ZrcN #发布候选版

X.Y.Z #最终发布

Dev分支标记为：'X.Y.dev'或'X.Y.devN'，其中N是整数。

'X.Y.dev0'是'X.Y.dev'的规范版本。

version = "1.0.2"

在OSX上，由于同时加载了多个OpenMP库，我们可能会遇到运行时错误。

例如，在调用BLAS内部时。设置以下环境变量允许加载多个OpenMP库。

它不应该降低性能，因为我们在可能发生嵌套OpenMP循环的代码部分中手动处理潜在的超订阅性能问题，

通过动态重新配置内部OpenMP运行时，在外部OpenMP并行部分的作用域下暂时禁用它。

os.environ.setdefault("KMP_DUPLICATE_LIB_OK", "True")

解决intel-openmp 2019.5中发现的问题：

https://github.com/ContinuumIO/anaconda-issues/issues/11294

os.environ.setdefault("KMP_INIT_AT_FORK", "FALSE")

try: # 构建过程中，此变量由__builtins__注入。它用于在二进制未构建时启用导入sklearn的子包。 # mypy错误：无法确定“SKLEARN_SETUP”的类型 SKLEARN_SETUP # type: ignore except NameError: SKLEARN_SETUP = False

if SKLEARN_SETUP: sys.stderr.write("在构建过程中部分导入sklearn。\n") # 在构建过程中，我们不会导入scikit-learn的其余部分，因为它可能尚未编译 else: # _distributor_init允许分销商运行自定义的init代码。 # 例如，在Windows轮子中，这用于预加载嵌入在sklearn/.libs子文件夹中的OpenMP中的vcomp共享库运行时。 # 在导入show_versions之前这是必要的，因为后者链接到OpenMP运行时，以便能够内省它， # 并且首先导入它会导致如果找不到OpenMP dll，则失败。 from . import _distributor_init # noqa: F401 from . import __check_build # noqa: F401 from .base import clone from .utils._show_versions import show_versions

__all__ = [
    "calibration",
    "cluster",
    "covariance",
    "cross_decomposition",
    "datasets",
    "decomposition",
    "dummy",
    "ensemble",
    "exceptions",
    "experimental",
    "externals",
    "feature_extraction",
    "feature_selection",
    "gaussian_process",
    "inspection",
    "isotonic",
    "kernel_approximation",
    "kernel_ridge",
    "linear_model",
    "manifold",
    "metrics",
    "mixture",
    "model_selection",
    "multiclass",
    "multioutput",
    "naive_bayes",
    "neighbors",
    "neural_network",
    "pipeline",
    "preprocessing",
    "random_projection",
    "semi_supervised",
    "svm",
    "tree",
    "discriminant_analysis",
    "impute",
    "compose",
    # 非模块：
    "clone",
    "get_config",
    "set_config",
    "config_context",
    "show_versions",
]

def setup_module(module): """测试装置，以确保全局可控的RNG种子"""

import numpy as np

# 检查环境中是否存在随机种子，如果不存在，则创建一个。
_random_seed = os.environ.get("SKLEARN_SEED", None)
if _random_seed is None:
    _random_seed = np.random.uniform() * np.iinfo(np.int32).max
_random_seed = int(_random_seed)
print("I: 用%r种子设置RNG" % _random_seed)
np.random.seed(_random_seed)
random.seed(_random_seed