Elle a été construite selon certains principes de sorte à la rendre très facilement applicable à un grand nombre de domaines :
Cohérence : Tous les objets partagent une interface commune tirée d’un ensemble limité de méthodes, avec une documentation cohérente.

Inspection : Toutes les valeurs des paramètres spécifiés sont exposées en tant qu’attributs publics.

Hiérarchie d’objets limitée : Seuls les algorithmes sont représentés par des classes Python ; les ensembles de données sont représentés dans des formats standard
(tableaux NumPy, DataFrames Pandas, matrices éparses SciPy) et les noms de paramètres utilisent des chaînes Python standard.

Composition : De nombreuses tâches d’apprentissage automatique peuvent être exprimées comme des séquences d’algorithmes plus fondamentaux, et Scikit-Learn en fait usage chaque fois que cela est possible.

Valeurs par défaut raisonnables : Lorsque les modèles nécessitent des paramètres spécifiés par l’utilisateur, la bibliothèque définit une valeur par défaut appropriée. Ces principes sont directement décrits dans ce papier présentant les principes de l’API de Scikit-Learn.

Ces 5 principes permettent dans la pratique une utilisation simple et fluide de la librairie même pour des profils ne disposant pas d’un bagage mathématique solide.

Write A Comment

fr_FRFrench