🗂️ Versões obtidas da página de Releases
v0.2.0 (25/05/2025)
Alterações:
- Novo Algoritmo: Implementação do algoritmo AIRS, conforme descrito no livro Natural Computing Algorithms de Brabazon, O’Neill e McGarraghy (Springer, 2015).
🔗 Ver no GitHub
v0.1.42 (24/05/2025)
Alterações:
- Padroniza as docstrings de classes e métodos conforme o formato numpydoc.
- Adiciona verificações automáticas na pipeline de CI para garantir a conformidade contínua com o padrão de docstrings.
🔗 Ver no GitHub
v0.1.41 (24/05/2025)
Alterações:
- corrige erro em exemplos causados pela mudança de detectores para campo privado
🔗 Ver no GitHub
v0.1.40 (03/05/2025)
Alterações:
Esta atualização visa melhorar a performance do pacote por meio da utilização do Numba para compilação JIT.
-
Compatibilidade de versões do Python:
- Suporte ampliado para as versões do Python 3.10, 3.11, 3.12 e 3.13.
-
Novo pacote adicionado: numba:
- Adicionada a dependência
numba >= 0.59.0.
-
Alterações no algoritmo de seleção negativa (NSA):
- Renomeação da classe base, parra
BaseNSA, e novos utilitários para cálculo de distância.
- Remoção de métodos, como
_distance, substituindo-os por funções utilitárias (ex.: compute_metric_distance).
- Refatoração no gerenciamento de detectores (
_detectors).
- Modificação na lógica de métodos como fit, predict e validação de detectores, com a utilização do decorador do Numba em partes críticas.
-
Novo módulo:
- Adicionado um novo módulo base para métodos compartilhados entre diferentes classes, como a classe
BaseClassifier para métodos de classificação.
🔗 Ver no GitHub
v0.1.34 (06/04/2025)
Alterações:
- Removido o método
score redundante das subclasses de Base. _score foi renomeado para score em Base, tornando-se público e centralizando a lógica.
🔗 Ver no GitHub
v0.1.33 (14/10/2024)
Alterações:
- O pacote foi refatorado com a adição do módulo
utils, que centraliza funções comuns para reutilização em módulos futuros.
- Testes unitários foram adicionados para o módulo
utils.
- Os comentários no código foram atualizados para o inglês.
🔗 Ver no GitHub
AISP - 0.1.32 (05/05/2024)
Alterações:
- A geração e comparação dos detectores usando a distância de Hamming na classe BNSA foi substituída pela função
cdist do scipy para melhorar a performance na geração e previsão.
🔗 Ver no GitHub
AISP - 0.1.31 (29/04/2024)
Alterações:
Adição:
- Um novo método para a seleção de rótulos para amostras classificadas como não-próprias por todos os detectores.
- Os exemplos foram ajustados para demonstrar essa adição.
Refatoração:
- O código fonte foi revisado e ajustado de acordo com o guia oficial Python PEP8.
- Reposicionamento dos arquivos para melhor legibilidade e flexibilidade.
🔗 Ver no GitHub
AISP - 0.1.30 (01/07/2023)
Alterações:
Correção de bug: O método de atribuição de classes para amostras que ativam todos os detectores não-self e tornam-se não próprias para todas as classes foi corrigido. Agora, o método utiliza a classe cujos detectores possuem a maior distância média em relação à amostra.
🔗 Ver no GitHub
AISP - 0.1.21 (15/06/2023)
Alterações:
- Destaque para a adição da variável opcional no construtor que permite alterar o valor padrão de
p==2 na distância de Minkowski.
🔗 Ver no GitHub
AISP - 0.1.1 (10/06/2023)
Alterações:
- Adiciona ao pacote o módulo de seleção negativa.
🔗 Ver no GitHub