Версия 1.6

Для краткого описания основных особенностей выпуска, пожалуйста, обратитесь к Основные новости выпуска scikit-learn 1.6.

Легенда для списков изменений

• Основная функция что-то большое, что вы не могли сделать раньше.

• Функция что-то, что вы не могли делать раньше.

• Эффективность существующий признак теперь может не требовать столько вычислений или памяти.

• Улучшение различные мелкие улучшения.

• Исправление то, что ранее не работало, как задокументировано – или согласно разумным ожиданиям – теперь должно работать.

• Изменение API вам потребуется изменить свой код, чтобы добиться того же эффекта в будущем; или функция будет удалена в будущем.

Версия 1.6.1

Январь 2025

Измененные модели

• Исправление The tags.input_tags.sparse флаг был исправлен для большинства оценщиков. С помощью Antoine Baker #30187

Изменения, затрагивающие многие модули

• Исправление _more_tags, _get_tags, и _safe_tags теперь вызывают DeprecationWarning вместо FutureWarning только для уведомления разработчиков, а не конечных пользователей. По Guillaume Lemaitre в #30573

sklearn.metrics

• Исправление Исправлена регрессия, когда метрика scikit-learn, вызванная на тензорах PyTorch CPU, вызывала ошибку (с отключённой диспетчеризацией Array API, что является значением по умолчанию). Автор Loïc Estève #30454

sklearn.model_selection

• Исправление cross_validate, cross_val_predict, и cross_val_score теперь принимают params=None когда маршрутизация метаданных включена. Путем Адрин Джалали #30451

sklearn.tree

• Исправление Используйте log2 вместо ln для построения деревьев, чтобы сохранить поведение предыдущих версий. С помощью Томас Фан #30557

sklearn.utils

• Улучшение utils.estimator_checks.check_estimator_sparse_tag гарантирует, что тег оценщика input_tags.sparse согласован с его fit метод (принимающий разреженный ввод X или вызов соответствующей ошибки). При Antoine Baker #30187

• Исправление Вызвать DeprecationWarning когда нет конкретной реализации __sklearn_tags__ в MRO оценщика. Мы запрашиваем наследование от BaseEstimator который реализует __sklearn_tags__. Путем Guillaume Lemaitre #30516

Версия 1.6.0

Декабрь 2024

Изменения, затрагивающие многие модули

• Улучшение __sklearn_tags__ был введён для установки тегов в оценщиках. Подробнее в Теги оценщиков. Путем Томас Фан и Адрин Джалали #29677

• Улучшение Классы и функции Scikit-learn могут использоваться, имея только import sklearn строку импорта. Например, import sklearn; sklearn.svm.SVC() теперь работает. Благодаря Томас Фан #29793

• Исправление Классы metrics.ConfusionMatrixDisplay, metrics.RocCurveDisplay, calibration.CalibrationDisplay, metrics.PrecisionRecallDisplay, metrics.PredictionErrorDisplay и inspection.PartialDependenceDisplay теперь корректно обрабатывает псевдонимы Matplotlib для параметров стиля (например, c и color, ls и linestyle, и т.д.). Путем Жозеф Барбье #30023

• Изменение API utils.validation.validate_data вводится и заменяет ранее приватный base.BaseEstimator._validate_data метод. Это предназначено для разработчиков сторонних оценщиков, которые должны использовать эту функцию в большинстве случаев вместо utils.check_array и utils.check_X_y. Путем Адрин Джалали #29696

Поддержка Array API

Дополнительные оценщики и функции были обновлены для включения поддержки всех Array API соответствующие входные данные.

См. Поддержка Array API (экспериментальная) для получения дополнительной информации.

• Функция model_selection.GridSearchCV, model_selection.RandomizedSearchCV, model_selection.HalvingGridSearchCV и model_selection.HalvingRandomSearchCV теперь поддерживают Array API совместимые входные данные, когда их базовые estimators делают это. Путем Tim Head и Оливье Гризель #27096

• Функция sklearn.metrics.f1_score теперь поддерживает совместимые с Array API входные данные. С помощью Omar Salman #27369

• Функция preprocessing.LabelEncoder теперь поддерживает входные данные, совместимые с Array API. Путём Omar Salman #27381

• Функция sklearn.metrics.mean_absolute_error теперь поддерживает совместимые с Array API входные данные. С помощью Эдоардо Абати #27736

• Функция sklearn.metrics.mean_tweedie_deviance теперь поддерживает входные данные, совместимые с Array API. Путём Thomas Li #28106

• Функция sklearn.metrics.pairwise.cosine_similarity теперь поддерживает входные данные, совместимые с Array API. Путём Эдоардо Абати #29014

• Функция sklearn.metrics.pairwise.paired_cosine_distances теперь поддерживает входные данные, совместимые с Array API. С помощью Эдоардо Абати #29112

• Функция sklearn.metrics.cluster.entropy теперь поддерживает совместимые с Array API входные данные. С помощью Ярослав Коробко #29141

• Функция sklearn.metrics.mean_squared_error теперь поддерживает совместимые с Array API входные данные. С помощью Ярослав Коробко #29142

• Функция sklearn.metrics.pairwise.additive_chi2_kernel теперь поддерживает входные данные, совместимые с Array API. Путём Ярослав Коробко #29144

• Функция sklearn.metrics.d2_tweedie_score теперь поддерживает совместимые с Array API входные данные. С помощью Emily Chen #29207

• Функция sklearn.metrics.max_error теперь поддерживает входные данные, совместимые с Array API. Путём Эдоардо Абати #29212

• Функция sklearn.metrics.mean_poisson_deviance теперь поддерживает входные данные, совместимые с Array API. Путём Emily Chen #29227

• Функция sklearn.metrics.mean_gamma_deviance теперь поддерживает совместимые с Array API входные данные. С помощью Emily Chen #29239

• Функция sklearn.metrics.pairwise.cosine_distances теперь поддерживает входные данные, совместимые с Array API. Путём Emily Chen #29265

• Функция sklearn.metrics.pairwise.chi2_kernel теперь поддерживает входные данные, совместимые с Array API. Путём Ярослав Коробко #29267

• Функция sklearn.metrics.mean_absolute_percentage_error теперь поддерживает входные данные, совместимые с Array API. Путём Emily Chen #29300

• Функция sklearn.metrics.pairwise.paired_euclidean_distances теперь поддерживает совместимые с Array API входные данные. С помощью Emily Chen #29389

• Функция sklearn.metrics.pairwise.euclidean_distances и sklearn.metrics.pairwise.rbf_kernel теперь поддерживает совместимые с Array API входные данные. Omar Salman #29433

• Функция sklearn.metrics.pairwise.linear_kernel, sklearn.metrics.pairwise.sigmoid_kernel, и sklearn.metrics.pairwise.polynomial_kernel теперь поддерживают совместимые с Array API входные данные. С помощью Omar Salman #29475

• Функция sklearn.metrics.mean_squared_log_error и sklearn.metrics.root_mean_squared_log_error теперь поддерживает входные данные, совместимые с Array API. С помощью Вирджил Чан #29709

• Функция preprocessing.MinMaxScaler с clip=True теперь поддерживает входные данные, совместимые с Array API. Путём Shreekant Nandiyawar #29751

• Поддержка для скоро устаревающего cupy.array_api модуль был удален в пользу прямой поддержки на верхнем уровне cupy модуль, возможно, через array_api_compat.cupy обертка для совместимости. Путем Оливье Гризель #29639

при использовании парсера pandas. Параметр

См. Руководство по маршрутизации метаданных для более подробной информации.

• Функция semi_supervised.SelfTrainingClassifier теперь поддерживает маршрутизацию метаданных. Метод fit теперь принимает **fit_params которые передаются базовым оценщикам через их fit методы. Кроме того, predict, predict_proba, predict_log_proba, score и decision_function методы также принимают **params которые передаются в базовые оценщики через их соответствующие методы. Путем Adam Li #28494

• Функция ensemble.StackingClassifier и ensemble.StackingRegressor теперь поддерживают маршрутизацию метаданных и передают **fit_params к базовым оценщикам через их fit методы. С помощью Stefanie Senger #28701

• Функция model_selection.learning_curve теперь поддерживает маршрутизацию метаданных для fit метод его оценщика и для его базового разделителя CV и оценщика. Путем Stefanie Senger #28975

• Функция compose.TransformedTargetRegressor теперь поддерживает маршрутизацию метаданных в своем fit и predict методы и направляет соответствующие параметры к базовому регрессору. С помощью Omar Salman #29136

• Функция feature_selection.SequentialFeatureSelector теперь поддерживает маршрутизацию метаданных в своем fit метод и передает соответствующие параметры в model_selection.cross_val_score функции. С помощью Omar Salman #29260

• Функция model_selection.permutation_test_score теперь поддерживает маршрутизацию метаданных для fit метод его оценщика и для его базового разделителя CV и оценщика. Путем Adam Li #29266

• Функция feature_selection.RFE и feature_selection.RFECV теперь поддерживают маршрутизацию метаданных. С помощью Omar Salman #29312

• Функция model_selection.validation_curve теперь поддерживает маршрутизацию метаданных для fit метод его оценщика и для его базового разделителя CV и оценщика. Путем Stefanie Senger #29329

• Исправление Метаданные корректно маршрутизируются к групповым разделителям кросс-валидации через linear_model.RidgeCV и linear_model.RidgeClassifierCV и UnsetMetadataPassedError фиксирован для linear_model.RidgeClassifierCV со стандартной оценкой. По Stefanie Senger #29634

• Исправление Многие аргументы методов, которые не должны включаться в механизм маршрутизации, теперь исключены, и set_{method}_request методы для них не генерируются. Автор Адрин Джалали #29920

Отказ от официальной поддержки PyPy

Из-за ограниченных ресурсов сопровождающих и небольшого числа пользователей официальная поддержка PyPy была прекращена. Некоторые части scikit-learn могут по-прежнему работать, но PyPy больше не тестируется в непрерывной интеграции scikit-learn. По Loïc Estève #29128

Прекращение поддержки сборки с помощью setuptools

Начиная с scikit-learn 1.6, поддержка сборки с setuptools была удалена. Meson — единственный поддерживаемый способ сборки scikit-learn. По Loïc Estève #29400

Поддержка свободнопоточного CPython 3.13

scikit-learn имеет предварительную поддержку свободнопоточного CPython, в частности, свободнопоточные сборки доступны для всех поддерживаемых платформ.

Free-threaded (также известный как nogil) CPython 3.13 — это экспериментальная версия CPython 3.13, которая направлена на обеспечение эффективных многопоточных сценариев использования путем удаления Global Interpreter Lock (GIL).

Для получения дополнительной информации о свободнопоточном CPython см. документация py-free-threading, в частности как установить свободнопоточный CPython и Отслеживание совместимости экосистемы.

Не стесняйтесь попробовать свободнопоточность на вашем случае использования и сообщить о любых проблемах!

По Loïc Estève и многие другие люди в более широкой экосистеме Scientific Python и CPython, например Nathan Goldbaum, Ralf Gommers, Эдгар Андрес Маргффой Туай. #30360

sklearn.base

• Улучшение Добавлена функция base.is_clusterer который определяет, относится ли данный оценщик к категории кластеризаторов. Автор: Christian Veenhuis #28936

• Изменение API Передача объекта класса в is_classifier, is_regressor, и is_outlier_detector теперь устарел. Передавайте экземпляр вместо этого. По Адрин Джалали #30122

sklearn.calibration

• Изменение API cv="prefit" устарел для CalibratedClassifierCV. Используйте FrozenEstimator вместо, как CalibratedClassifierCV(FrozenEstimator(estimator)). Путем Адрин Джалали #30171

sklearn.cluster

• Изменение API The copy параметр cluster.Birch был устаревшим в 1.6 и будет удален в 1.8. Он не имеет эффекта, так как оценщик не выполняет операции на месте на входных данных. По Yao Xiao #29124

sklearn.compose

• Улучшение sklearn.compose.ColumnTransformer verbose_feature_names_out теперь принимает строковый формат или вызываемый объект для генерации имен признаков. По Marc Bresson #28934

sklearn.covariance

• Эффективность covariance.MinCovDet подгонка теперь немного быстрее. От Antony Lee #29835

sklearn.cross_decomposition

• Исправление cross_decomposition.PLSRegression корректно вызывает ошибку, когда n_components больше, чем n_samples. Путем Томас Фан #29710

sklearn.datasets

• Функция datasets.fetch_file позволяет загружать произвольные файлы данных из интернета. Он обрабатывает локальное кэширование, проверки целостности с помощью хешей SHA256 и автоматические повторные попытки в случае HTTP-ошибок. Оливье Гризель #29354

sklearn.decomposition

• Улучшение LatentDirichletAllocation теперь имеет normalize параметр в transform и fit_transform методы управления нормализацией распределения тем документа. По Адрин Джалали #30097

• Исправление IncrementalPCA теперь будет вызывать только ValueError когда количество образцов во входных данных для partial_fit меньше количества компонентов при первом вызове partial_fit. Последующие вызовы partial_fit больше не сталкиваются с этим ограничением. Благодаря Томас Гесси-Джонс #30224

sklearn.discriminant_analysis

• Исправление discriminant_analysis.QuadraticDiscriminantAnalysis теперь вызовет LinAlgWarning в случае коллинеарных переменных. Эти ошибки могут быть подавлены с помощью reg_param атрибут. По Alihan Zihna #19731

sklearn.ensemble

• Функция ensemble.ExtraTreesClassifier и ensemble.ExtraTreesRegressor теперь поддерживает пропущенные значения в матрице данных X. Пропущенные значения обрабатываются путём случайного перемещения всех образцов в левый или правый дочерний узел при обходе дерева. С помощью Adam Li #28268

• Эффективность Небольшое улучшение времени выполнения при обучении ensemble.HistGradientBoostingClassifier и ensemble.HistGradientBoostingRegressor путем распараллеливания начального поиска пороговых значений бинов. По Christian Lorentzen #28064

• Эффективность ensemble.IsolationForest теперь запускает параллельные задачи во время predict обеспечивая ускорение до 2-4 раз на размерах выборки более 2000 с использованием joblib. Путем Adam Li и Сержиу Перейра #28622

• Улучшение Уровень детализации ensemble.HistGradientBoostingClassifier и ensemble.HistGradientBoostingRegressor получили более детальный контроль. Теперь, verbose = 1 выводит только сводные сообщения, verbose >= 2 выводит полную информацию, как и раньше. По Christian Lorentzen #28179

• Изменение API Параметр algorithm of ensemble.AdaBoostClassifier устарел и будет удален в версии 1.8. К Жереми дю Буаберранже #29997

sklearn.feature_extraction

• Исправление feature_extraction.text.TfidfVectorizer теперь корректно сохраняет dtype of idf_ на основе входных данных. По Guillaume Lemaitre #30022

sklearn.frozen

• Основная функция FrozenEstimator теперь введена возможность заморозки оценщика. Это означает вызов .fit на него не оказывает эффекта, и выполнение clone(frozenestimator) возвращает тот же оценщик вместо неподготовленного клона. #29705 По Адрин Джалали #29705

sklearn.impute

• Исправление impute.KNNImputer исключает образцы с расстояниями nan при вычислении среднего значения для равномерных весов. По Xuefeng Xu #29135

• Исправление Когда min_value и max_value являются array-подобными, и некоторые признаки удаляются из-за keep_empty_features=False, impute.IterativeImputer больше не вызывает ошибку и теперь корректно индексирует. Автор Guntitat Sawadwuthikul #29451

• Исправление Исправлено impute.IterativeImputer чтобы убедиться, что он не пропускает итеративный процесс, когда keep_empty_features установлено в True. Путем Arif Qodari #29779

• Изменение API Добавить предупреждение в impute.SimpleImputer когда keep_empty_feature=False и strategy="constant". В этом случае пустые признаки не удаляются, и это поведение изменится в 1.8. По Arthur Courselle и Simon Riou #29950

sklearn.linear_model

• Улучшение The solver="newton-cholesky" в linear_model.LogisticRegression и linear_model.LogisticRegressionCV расширен для поддержки полной мультиномиальной потери в многоклассовой настройке. Путем Christian Lorentzen #28840

• Исправление В linear_model.Ridge и linear_model.RidgeCV, после fit, coef_ атрибут теперь имеет форму (n_samples,) как другие линейные модели. Путем Maxwell Liu, Guillaume Lemaitre, и Адрин Джалали #19746

• Исправление linear_model.LogisticRegressionCV исправляет обработку весов выборок для расчета тестовых оценок. По Шрути Нат #29419

• Исправление linear_model.LassoCV и linear_model.ElasticNetCV теперь учитывает веса образцов для определения сетки поиска внутренне настраиваемых alpha гиперпараметр. По John Hopfensperger и Шрути Нат #29442

• Исправление linear_model.LogisticRegression, linear_model.PoissonRegressor, linear_model.GammaRegressor, linear_model.TweedieRegressor теперь учитывают веса выборок при принятии решения о переходе к solver='lbfgs' всякий раз, когда solver='newton-cholesky' становится численно неустойчивым. По Antoine Baker #29818

• Исправление linear_model.RidgeCV теперь правильно использует предсказания в том же масштабе, что и целевая переменная, наблюдаемая во время fit. Эти предсказания хранятся в cv_results_ когда scoring != None. Ранее предсказания масштабировались на квадратный корень из весов выборки и смещались на среднее целевой переменной, что приводило к некорректной оценке счета. С помощью Guillaume Lemaitre, Жером Докс и Hanmin Qin #29842

• Исправление linear_model.RidgeCV теперь корректно поддерживает пользовательские многомерные скореры, позволяя скореру управлять усреднением многомерного вывода. Ранее предсказания и истинные цели сжимались в одномерный массив перед вычислением ошибки. Теперь Guillaume Lemaitre #29884

• Исправление linear_model.LinearRegression теперь устанавливает cond параметр при вызове scipy.linalg.lstsq решатель на плотных входных данных. Это обеспечивает более численно устойчивые результаты на данных с недостаточным рангом. В частности, эмпирически фиксирует ожидаемое свойство эквивалентности между обучением с перевзвешиванием или с повторяющимися точками данных. По Antoine Baker #30040

• Исправление linear_model.LogisticRegression и другие линейные модели, которые принимают solver="newton-cholesky" теперь сообщают правильное количество итераций, когда они возвращаются к "lbfgs" solver из-за вырожденной матрицы Гессе. Путем Оливье Гризель #30100

• Исправление SGDOneClassSVM теперь правильно наследует от OutlierMixin и теги правильно установлены. Автор Guillaume Lemaitre #30227

• Изменение API Устаревает copy_X в linear_model.TheilSenRegressor так как параметр не имеет эффекта. copy_X будет удалена в 1.8. По Adam Li #29105

sklearn.manifold

• Эффективность manifold.locally_linear_embedding и manifold.LocallyLinearEmbedding теперь более эффективно распределяет память разреженных матриц в методах Гессиана, Модифицированном и LTSA. Путём Джорджио Анджелотти #28096

sklearn.metrics

• Эффективность sklearn.metrics.classification_report теперь работает быстрее благодаря кэшированию меток классификации. Путем Адрин Джалали #29738

• Улучшение metrics.RocCurveDisplay.from_estimator, metrics.RocCurveDisplay.from_predictions, metrics.PrecisionRecallDisplay.from_estimator, и metrics.PrecisionRecallDisplay.from_predictions теперь принимает новый ключевое слово despine чтобы удалить верхнюю и правую границы графика для большей наглядности. С помощью Yao Xiao #26367

• Улучшение sklearn.metrics.check_scoring теперь принимает raise_exc чтобы указать, следует ли вызывать исключение, если подмножество оценщиков в многометрической оценке не сработает, или возвращать код ошибки. По Stefanie Senger #28992

• Исправление metrics.roc_auc_score теперь правильно возвращает np.nan и предупреждает пользователя, если в метках присутствует только один класс. Hleb Levitski и Янез Демшар #27412, #30013

• Исправление Функции metrics.mean_squared_log_error и metrics.root_mean_squared_log_error теперь проверьте, находятся ли входные данные в правильной области определения функции \(y=\log(1+x)\), а не \(y=\log(x)\). Функции metrics.mean_absolute_error, metrics.mean_absolute_percentage_error, metrics.mean_squared_error и metrics.root_mean_squared_error теперь явно проверяет, будет ли возвращен скаляр, когда multioutput=uniform_average. Путем Вирджил Чан #29709

• Изменение API The assert_all_finite параметр функций metrics.pairwise.check_pairwise_arrays и metrics.pairwise_distances переименован в ensure_all_finite. force_all_finite будет удалена в 1.8. По Жереми дю Буаберранже #29404

• Изменение API scoring="neg_max_error" следует использовать вместо scoring="max_error" который теперь устарел. По Фарид "Фредди" Таба #29462

• Изменение API Значение по умолчанию для response_method параметр metrics.make_scorer изменится с None to "predict" и None будет удалён в 1.8. В то же время, None эквивалентно "predict". Путем Жереми дю Буаберранже #30001

sklearn.model_selection

• Улучшение GroupKFold теперь имеет возможность перемешивать группы в разные фолды, когда shuffle=True. Путем Закари Вили #28519

• Улучшение Нет необходимости вызывать fit на FixedThresholdClassifier если базовый оценщик уже обучен. Путем Адрин Джалали #30172

• Исправление Улучшить сообщение об ошибке, когда model_selection.RepeatedStratifiedKFold.split вызывается без y аргумент По Anurag Varma #29402

sklearn.neighbors

• Улучшение neighbors.NearestNeighbors, neighbors.KNeighborsClassifier, neighbors.KNeighborsRegressor, neighbors.RadiusNeighborsClassifier, neighbors.RadiusNeighborsRegressor, neighbors.KNeighborsTransformer, neighbors.RadiusNeighborsTransformer, и neighbors.LocalOutlierFactor теперь работают с metric="nan_euclidean", поддерживая nan входы. По Carlo Lemos, Guillaume Lemaitre, и Адрин Джалали #25330

• Улучшение Добавить neighbors.NearestCentroid.decision_function, neighbors.NearestCentroid.predict_proba и neighbors.NearestCentroid.predict_log_proba в neighbors.NearestCentroid класса оценщика. Поддерживает случай, когда X является разреженным и shrinking_threshold не является None в neighbors.NearestCentroid. Путем Мэтью Нинг #26689

• Улучшение Сделать predict, predict_proba, и score of neighbors.KNeighborsClassifier и neighbors.RadiusNeighborsClassifier принимать X=None в качестве входных данных. В этом случае возвращаются прогнозы для всех точек обучающего набора, и точки не включаются в своих собственных соседей. По Dmitry Kobak #30047

• Исправление neighbors.LocalOutlierFactor вызывает предупреждение в fit метод когда дублирующиеся значения в обучающих данных приводят к неточному обнаружению выбросов. Путем Henrique Caroço #28773

sklearn.neural_network

• Исправление neural_network.MLPRegressor больше не падает при расхождении модели и что early_stopping включен. С помощью Marc Bresson #29773

sklearn.pipeline

• Основная функция pipeline.Pipeline теперь может преобразовывать метаданные до шага, требующего метаданные, которые можно установить с помощью transform_input параметр. Путем Адрин Джалали #28901

• Улучшение pipeline.Pipeline теперь предупреждает о необходимости обучения перед вызовом методов, требующих обученного конвейера. Это предупреждение станет ошибкой в версии 1.8. Адрин Джалали #29868

• Исправление Исправлена проблема с тегами и типом оценщика Pipeline когда конвейер пуст. Это позволяет корректно отображать HTML-представление пустого конвейера. По Gennaro Daniele Acciaro #30203

sklearn.preprocessing

• Улучшение Добавлен warn опция для handle_unknown параметр в preprocessing.OneHotEncoder. Путем Hleb Levitski #28637

• Улучшение HTML-представление preprocessing.FunctionTransformer покажет имя функции в метке. По Yao Xiao #29158

• Исправление preprocessing.PowerTransformer теперь использует scipy.special.inv_boxcox для вывода nan если вход BoxCox обратного преобразования недействителен. По Xuefeng Xu #27875

sklearn.semi_supervised

• Изменение API semi_supervised.SelfTrainingClassifier устарел base_estimator параметр в пользу estimator. Путем Adam Li #28494

sklearn.tree

• Функция tree.ExtraTreeClassifier и tree.ExtraTreeRegressor теперь поддерживает пропущенные значения в матрице данных X. Пропущенные значения обрабатываются путем случайного перемещения всех выборок в левый или правый дочерний узел при обходе дерева. С помощью Adam Li и Loïc Estève #27966, #30318

• Исправление Экранировать двойные кавычки для меток и имен признаков при экспорте деревьев в формат Graphviz. По Сантьяго М. Мола. #17575

sklearn.utils

• Улучшение utils.check_array теперь принимает ensure_non_negative для проверки на отрицательные значения в переданном массиве, ранее доступной только через вызов utils.check_non_negative. Путем Tamara Atanasoska #29540

• Улучшение check_estimator и parametrize_with_checks теперь проверьте и выдайте ошибку, если классификатор имеет tags.classifier_tags.multi_class = False тег, но не завершается ошибкой на многоклассовых данных. По Адрин Джалали #29874

• Улучшение utils.validation.check_is_fitted теперь передает безсостоятельные оценщики. Оценщик может указать, что он безсостоятельный, установив requires_fit тег. См. Теги оценщиков для получения дополнительной информации. По Адрин Джалали #29880

• Улучшение Изменения в check_estimator и parametrize_with_checks.

  • check_estimator вводит новые аргументы: on_skip, on_fail, и callback для управления поведением проверяющего модуля. Обратитесь к документации API для получения подробностей.

  • generate_only=True устарел в check_estimator. Используйте estimator_checks_generator вместо этого.

  • The _xfail_checks тег оценщика теперь удален, и теперь, чтобы указать, какие тесты ожидаются к провалу, вы можете передать словарь в check_estimator как expected_failed_checks параметр. Аналогично, expected_failed_checks параметр в parametrize_with_checks может быть использован, что является вызываемым объектом, возвращающим словарь вида:

    {
        "check_name": "reason to mark this check as xfail",
    }
    

  По Адрин Джалали #30149

• Исправление utils.estimator_checks.parametrize_with_checks и utils.estimator_checks.check_estimator теперь поддерживают оценщики, которые имеют set_output вызывается на них. По Адрин Джалали #29869

• Изменение API The assert_all_finite параметр функций utils.check_array, utils.check_X_y, utils.as_float_array переименован в ensure_all_finite. force_all_finite будет удалена в 1.8. По Жереми дю Буаберранже #29404

• Изменение API utils.estimator_checks.check_sample_weights_invariance заменено на utils.estimator_checks.check_sample_weight_equivalence_on_dense_data который использует целочисленные (включая нулевые) веса и utils.estimator_checks.check_sample_weight_equivalence_on_sparse_data который делает то же самое на разреженных данных. С помощью Antoine Baker #29818, #30137

• Изменение API Используя _estimator_type для установки типа оценщика устарела. Наследуйте от ClassifierMixin, RegressorMixin, TransformerMixin, или OutlierMixin вместо этого. Альтернативно, вы можете установить estimator_type в Tags в __sklearn_tags__ метод. Путем Адрин Джалали #30122

Участники кода и документации

Благодарим всех, кто внес вклад в поддержку и улучшение проекта с версии 1.5, включая:

Aaron Schumacher, Abdulaziz Aloqeely, abhi-jha, Acciaro Gennaro Daniele, Adam J. Stewart, Adam Li, Adeel Hassan, Adeyemi Biola, Aditi Juneja, Adrin Jalali, Aisha, Akanksha Mhadolkar, Akihiro Kuno, Alberto Torres, alexqiao, Alihan Zihna, Aniruddha Saha, antoinebaker, Antony Lee, Anurag Varma, Arif Qodari, Arthur Courselle, ArthurDbrn, Arturo Amor, Aswathavicky, Audrey Flanders, aurelienmorgan, Austin, awwwyan, AyGeeEm, a.zy.lee, baggiponte, BlazeStorm001, bme-git, Boney Patel, brdav, Brigitta Sipőcz, Cailean Carter, Camille Troillard, Carlo Lemos, Christian Lorentzen, Christian Veenhuis, Christine P. Chai, claudio, Conrad Stevens, datarollhexasphericon, Davide Chicco, David Matthew Cherney, Dea María Léon, Deepak Saldanha, Deepyaman Datta, dependabot[bot], dinga92, Dmitry Kobak, Domenico, Drew Craeton, dymil, Edoardo Abati, EmilyXinyi, Eric Larson, Evelyn, fabianhenning, Farid “Freddie” Taba, Gael Varoquaux, Giorgio Angelotti, Hleb Levitski, Guillaume Lemaitre, Guntitat Sawadwuthikul, Haesun Park, Hanjun Kim, Henrique Caroço, hhchen1105, Hugo Boulenger, Ilya Komarov, Inessa Pawson, Ivan Pan, Ivan Wiryadi, Jaimin Chauhan, Jakob Bull, James Lamb, Janez Demšar, Jérémie du Boisberranger, Jérôme Dockès, Jirair Aroyan, João Morais, Joe Cainey, Joel Nothman, John Enblom, JorgeCardenas, Joseph Barbier, jpienaar-tuks, Julian Chan, K.Bharat Reddy, Kevin Doshi, Lars, Loic Esteve, Lucas Colley, Lucy Liu, lunovian, Marc Bresson, Marco Edward Gorelli, Marco Maggi, Marco Wolsza, Maren Westermann, MarieS-WiMLDS, Martin Helm, Mathew Shen, mathurinm, Matthew Feickert, Maxwell Liu, Meekail Zain, Michael Dawson, Miguel Cárdenas, m-maggi, mrastgoo, Natalia Mokeeva, Nathan Goldbaum, Nathan Orgera, nbrown-ScottLogic, Nikita Chistyakov, Nithish Bolleddula, Noam Keidar, NoPenguinsLand, Norbert Preining, notPlancha, Olivier Grisel, Omar Salman, ParsifalXu, Piotr, Priyank Shroff, Priyansh Gupta, Quentin Barthélemy, Rachit23110261, Rahil Parikh, raisadz, Rajath, renaissance0ne, Reshama Shaikh, Roberto Rosati, Robert Pollak, rwelsch427, Santiago Castro, Santiago M. Mola, scikit-learn-bot, sean moiselle, SHREEKANT VITTHAL NANDIYAWAR, Shruti Nath, Søren Bredlund Caspersen, Stefanie Senger, Stefano Gaspari, Steffen Schneider, Štěpán Sršeň, Sylvain Combettes, Tamara, Thomas, Thomas Gessey-Jones, Thomas J. Fan, Thomas Li, ThorbenMaa, Tialo, Tim Head, Tuhin Sharma, Tushar Parimi, Umberto Fasci, UV, vedpawar2254, Velislav Babatchev, Victoria Shevchenko, viktor765, Vince Carey, Virgil Chan, Wang Jiayi, Xiao Yuan, Xuefeng Xu, Yao Xiao, yareyaredesuyo, Zachary Vealey, Ziad Amerr