8000 [MRG] DOC examples with correct notebook style (#9061) · dmohns/scikit-learn@09cafdc · GitHub
[go: up one dir, main page]
Skip to content

Commit 09cafdc

Browse files
plagreedmohns
plagree
authored and
dmohns
committed
[MRG] DOC examples with correct notebook style (scikit-learn#9061)
* DOC examples with correct notebook style * Modifications in examples/ to avoid unwanted notebook style * Remove last notebook style example * Space formatting to avoid notebook style
1 parent 79e1868 commit 09cafdc
  • plot_mean_shift.py
  • plot_mini_batch_kmeans.py
  • plot_segmentation_toy.py
  • plot_ward_structured_vs_unstructured.py
  • covariance
  • cross_decomposition
  • decomposition
  • ensemble
  • exercises
  • feature_selection
  • linear_model
  • model_selection
  • neighbors
  • neural_networks
  • plot_isotonic_regression.py
  • plot_kernel_ridge_regression.py
  • semi_supervised
  • svm
  • text

    • Some content is hidden

    Large Commits have some content hidden by default. Use the searchbox below for content that may be hidden.

    56 files changed

    +169
    -171
    lines changed

    ‎examples/applications/plot_face_recognition.py

    Expand all lines: examples/applications/plot_face_recognition.py
    Lines changed: 6 additions & 6 deletions
    Original file line numberDiff line numberDiff line change
    @@ -48,7 +48,7 @@
    4848
    logging.basicConfig(level=logging.INFO, format='%(asctime)s %(message)s')
    4949

    5050

    51-
    ###############################################################################
    51+
    # #############################################################################
    5252
    # Download the data, if not already on disk and load it as numpy arrays
    5353

    5454
    lfw_people = fetch_lfw_people(min_faces_per_person=70, resize=0.4)
    @@ -72,15 +72,15 @@
    7272
    print("n_classes: %d" % n_classes)
    7373

    7474

    75-
    ###############################################################################
    75+
    # #############################################################################
    7676
    # Split into a training set and a test set using a stratified k fold
    7777

    7878
    # split into a training and testing set
    7979
    X_train, X_test, y_train, y_test = train_test_split(
    8080
    X, y, test_size=0.25, random_state=42)
    8181

    8282

    83-
    ###############################################################################
    83+
    # #############################################################################
    8484
    # Compute a PCA (eigenfaces) on the face dataset (treated as unlabeled
    8585
    # dataset): unsupervised feature extraction / dimensionality reduction
    8686
    n_components = 150
    @@ -101,7 +101,7 @@
    101101
    print("done in %0.3fs" % (time() - t0))
    102102

    103103

    104-
    ###############################################################################
    104+
    # #############################################################################
    105105
    # Train a SVM classification model
    106106

    107107
    print("Fitting the classifier to the training set")
    @@ -115,7 +115,7 @@
    115115
    print(clf.best_estimator_)
    116116

    117117

    118-
    ###############################################################################
    118+
    # #############################################################################
    119119
    # Quantitative evaluation of the model quality on the test set
    120120

    121121
    print("Predicting people's names on the test set")
    @@ -127,7 +127,7 @@
    127127
    print(confusion_matrix(y_test, y_pred, labels=range(n_classes)))
    128128

    129129

    130-
    ###############################################################################
    130+
    # #############################################################################
    131131
    # Qualitative evaluation of the predictions using matplotlib
    132132

    133133
    def plot_gallery(images, titles, h, w, n_row=3, n_col=4):

    ‎examples/applications/plot_model_complexity_influence.py

    Lines changed: 4 additions & 4 deletions
    Original file line numberDiff line numberDiff line change
    @@ -34,11 +34,11 @@
    3434
    from sklearn.linear_model.stochastic_gradient import SGDClassifier
    3535
    from sklearn.metrics import hamming_loss
    3636

    37-
    ###############################################################################
    37+
    # #############################################################################
    3838
    # Routines
    3939

    4040

    41-
    # initialize random generator
    41+
    # Initialize random generator
    4242
    np.random.seed(0)
    4343

    4444

    @@ -122,8 +122,8 @@ def _count_nonzero_coefficients(estimator):
    122122
    a = estimator.coef_.toarray()
    123123
    return np.count_nonzero(a)
    124124

    125-
    ###############################################################################
    126-
    # main code
    125+
    # #############################################################################
    126+
    # Main code
    127127
    regression_data = generate_data('regression')
    128128
    classification_data = generate_data('classification', sparse=True)
    129129
    configurations = [

    ‎examples/applications/plot_prediction_latency.py

    Lines changed: 4 additions & 3 deletions
    Original file line numberDiff line numberDiff line change
    @@ -266,12 +266,13 @@ def plot_benchmark_throughput(throughputs, configuration):
    266266
    plt.show()
    267267

    268268

    269-
    ###############################################################################
    270-
    # main code
    269+
    # #############################################################################
    270+
    # Main code
    271271

    272272
    start_time = time.time()
    273273

    274-
    # benchmark bulk/atomic prediction speed for various regressors
    274+
    # #############################################################################
    275+
    # Benchmark bulk/atomic prediction speed for various regressors
    275276
    configuration = {
    276277
    'n_train': int(1e3),
    277278
    'n_test': int(1e2),

    ‎examples/applications/plot_stock_market.py

    Lines changed: 5 additions & 5 deletions
    Original file line numberDiff line numberDiff line change
    @@ -74,7 +74,7 @@
    7474
    from sklearn import cluster, covariance, manifold
    7575

    7676

    77-
    ###############################################################################
    77+
    # #############################################################################
    7878
    # Retrieve the data from Internet
    7979

    8080
    def quotes_historical_google(symbol, date1, date2):
    @@ -189,7 +189,7 @@ def quotes_historical_google(symbol, date1, date2):
    189189
    variation = close_prices - open_prices
    190190

    191191

    192-
    ###############################################################################
    192+
    # #############################################################################
    193193
    # Learn a graphical structure from the correlations
    194194
    edge_model = covariance.GraphLassoCV()
    195195

    @@ -199,7 +199,7 @@ def quotes_historical_google(symbol, date1, date2):
    199199
    X /= X.std(axis=0)
    200200
    edge_model.fit(X)
    201201

    202-
    ###############################################################################
    202+
    # #############################################################################
    203203
    # Cluster using affinity propagation
    204204

    205205
    _, labels = cluster.affinity_propagation(edge_model.covariance_)
    @@ -208,7 +208,7 @@ def quotes_historical_google(symbol, date1, date2):
    208208
    for i in range(n_labels + 1):
    209209
    print('Cluster %i: %s' % ((i + 1), ', '.join(names[labels == i])))
    210210

    211-
    ###############################################################################
    211+
    # #############################################################################
    212212
    # Find a low-dimension embedding for visualization: find the best position of
    213213
    # the nodes (the stocks) on a 2D plane
    214214

    @@ -220,7 +220,7 @@ def quotes_historical_google(symbol, date1, date2):
    220220

    221221
    embedding = node_position_model.fit_transform(X.T).T
    222222

    223-
    ###############################################################################
    223+
    # #############################################################################
    224224
    # Visualization
    225225
    plt.figure(1, facecolor='w', figsize=(10, 8))
    226226
    plt.clf()

    ‎examples/applications/wikipedia_principal_eigenvector.py

    Lines changed: 2 additions & 2 deletions
    Original file line numberDiff line numberDiff line change
    @@ -52,7 +52,7 @@
    5252

    5353
    print(__doc__)
    5454

    55-
    ###############################################################################
    55+
    # #############################################################################
    5656
    # Where to download the data, if not already on disk
    5757
    redirects_url = "http://downloads.dbpedia.org/3.5.1/en/redirects_en.nt.bz2"
    5858
    redirects_filename = redirects_url.rsplit("/", 1)[1]
    @@ -73,7 +73,7 @@
    7373
    print()
    7474

    7575

    76-
    ###############################################################################
    76+
    # #############################################################################
    7777
    # Loading the redirect files
    7878

    7979
    memory = Memory(cachedir=".")

    ‎examples/calibration/plot_calibration.py

    Lines changed: 1 addition & 1 deletion
    Original file line numberDiff line numberDiff line change
    @@ -83,7 +83,7 @@
    8383
    clf_sigmoid_score = brier_score_loss(y_test, prob_pos_sigmoid, sw_test)
    8484
    print("With sigmoid calibration: %1.3f" % clf_sigmoid_score)
    8585

    86-
    ###############################################################################
    86+
    # #############################################################################
    8787
    # Plot the data and the predicted probabilities
    8888
    plt.figure()
    8989
    y_unique = np.unique(y)

    ‎examples/calibration/plot_compare_calibration.py

    Lines changed: 1 addition & 1 deletion
    Original file line numberDiff line numberDiff line change
    @@ -81,7 +81,7 @@
    8181
    rfc = RandomForestClassifier(n_estimators=100)
    8282

    8383

    84-
    ###############################################################################
    84+
    # #############################################################################
    8585
    # Plot calibration plots
    8686

    8787
    plt.figure(figsize=(10, 10))

    ‎examples/classification/plot_lda_qda.py

    Lines changed: 6 additions & 7 deletions
    Original file line numberDiff line numberDiff line change
    @@ -20,8 +20,8 @@ class has its own standard deviation with QDA.
    2020
    from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
    2121
    from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis
    2222

    23-
    ###############################################################################
    24-
    # colormap
    23+
    # #############################################################################
    24+
    # Colormap
    2525
    cmap = colors.LinearSegmentedColormap(
    2626
    'red_blue_classes',
    2727
    {'red': [(0, 1, 1), (1, 0.7, 0.7)],
    @@ -30,8 +30,8 @@ class has its own standard deviation with QDA.
    3030
    plt.cm.register_cmap(cmap=cmap)
    3131

    3232

    33-
    ###############################################################################
    34-
    # generate datasets
    33+
    # #############################################################################
    34+
    # Generate datasets
    3535
    def dataset_fixed_cov():
    3636
    '''Generate 2 Gaussians samples with the same covariance matrix'''
    3737
    n, dim = 300, 2
    @@ -54,8 +54,8 @@ def dataset_cov():
    5454
    return X, y
    5555

    5656

    57-
    ###############################################################################
    58-
    # plot functions
    57+
    # #############################################################################
    58+
    # Plot functions
    5959
    def plot_data(lda, X, y, y_pred, fig_index):
    6060
    splot = plt.subplot(2, 2, fig_index)
    6161
    if fig_index == 1:
    @@ -132,7 +132,6 @@ def plot_qda_cov(qda, splot):
    132132
    plot_ellipse(splot, qda.means_[0], qda.covariances_[0], 'red')
    133133
    plot_ellipse(splot, qda.means_[1], qda.covariances_[1], 'blue')
    134134

    135-
    ###############################################################################
    136135
    for i, (X, y) in enumerate([dataset_fixed_cov(), dataset_cov()]):
    137136
    # Linear Discriminant Analysis
    138137
    lda = LinearDiscriminantAnalysis(solver="svd", store_covariance=True)

    ‎examples/cluster/plot_affinity_propagation.py

    Lines changed: 3 additions & 3 deletions
    Original file line numberDiff line numberDiff line change
    @@ -14,13 +14,13 @@
    1414
    from sklearn import metrics
    1515
    from sklearn.datasets.samples_generator import make_blobs
    1616

    17-
    ##############################################################################
    17+
    # #############################################################################
    1818
    # Generate sample data
    1919
    centers = [[1, 1], [-1, -1], [1, -1]]
    2020
    X, labels_true = make_blobs(n_samples=300, centers=centers, cluster_std=0.5,
    2121
    random_state=0)
    2222

    23-
    ##############################################################################
    23+
    # #############################################################################
    2424
    # Compute Affinity Propagation
    2525
    af = AffinityPropagation(preference=-50).fit(X)
    2626
    cluster_centers_indices = af.cluster_centers_indices_
    @@ -39,7 +39,7 @@
    3939
    print("Silhouette Coefficient: %0.3f"
    4040
    % metrics.silhouette_score(X, labels, metric='sqeuclidean'))
    4141

    42-
    ##############################################################################
    42+
    # #############################################################################
    4343
    # Plot result
    4444
    import matplotlib.pyplot as plt
    4545
    from itertools import cycle

    ‎examples/cluster/plot_dbscan.py

    Lines changed: 3 additions & 3 deletions
    Original file line numberDiff line numberDiff line change
    @@ -17,15 +17,15 @@
    1717
    from sklearn.preprocessing import StandardScaler
    1818

    1919

    20-
    ##############################################################################
    20+
    # #############################################################################
    2121
    # Generate sample data
    2222
    centers = [[1, 1], [-1, -1], [1, -1]]
    17A6 2323
    X, labels_true = make_blobs(n_samples=750, centers=centers, cluster_std=0.4,
    2424
    random_state=0)
    2525

    2626
    X = StandardScaler().fit_transform(X)
    2727

    28-
    ##############################################################################
    28+
    # #############################################################################
    2929
    # Compute DBSCAN
    3030
    db = DBSCAN(eps=0.3, min_samples=10).fit(X)
    3131
    core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
    @@ -46,7 +46,7 @@
    4646
    print("Silhouette Coefficient: %0.3f"
    4747
    % metrics.silhouette_score(X, labels))
    4848

    49-
    ##############################################################################
    49+
    # #############################################################################
    5050
    # Plot result
    5151
    import matplotlib.pyplot as plt
    5252

    0 commit comments

    Comments
     (0)
    0