Scikit-learn: Python机器学习库

Scikit-learn是一个Python模块，它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)