Версия 1.7

Для краткого описания основных особенностей выпуска, пожалуйста, обратитесь к Основные новости выпуска scikit-learn 1.7.

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 1.7.2

Сентябрь 2025

sklearn.compose

• Исправление compose.TransformedTargetRegressor теперь передает преобразованную целевую переменную регрессору с тем же количеством измерений, что и исходная целевая переменная. С помощью kryggird. #31563

sklearn.feature_extraction

• Исправление Установить тег requires_fit=False для классов feature_extraction.FeatureHasher и feature_extraction.text.HashingVectorizer. Путем hakan çanakcı. #31851

sklearn.impute

• Исправление Исправлена ошибка в impute.SimpleImputer с strategy="most_frequent" когда есть ничья в наиболее частом значении и входные данные имеют смешанные типы. По Alexandre Abraham. #31820

sklearn.linear_model

• Исправление Исправлена ошибка с solver="newton-cholesky" в многоклассовых задачах в linear_model.LogisticRegressionCV и в linear_model.LogisticRegression при использовании с warm_start=True. Ошибка появлялась либо с fit_intercept=True или с penalty=None (оба приводят к нештрафуемым параметрам для решателя). Коэффициенты и пересечения последнего класса, предоставленные теплым стартом, были частично неправильно перезаписаны нулями. По Christian Lorentzen. #31866

sklearn.pipeline

• Исправление pipeline.FeatureUnion теперь проверяет, что все преобразователи возвращают 2D выходные данные, и вызывает информативную ошибку, когда преобразователи возвращают 1D выходные данные, предотвращая тихие сбои, которые ранее приводили к бессмысленным объединённым результатам. С помощью gguiomar. #31559

Версия 1.7.1

Июль 2025

sklearn.base

• Исправление Исправление регрессии в HTML-представлении при обнаружении нестандартных параметров, которые были типами array-like. Автор Dea María Léon #31528

sklearn.compose

• Исправление compose.ColumnTransformer теперь корректно сохраняет нестандартный индекс при смешивании pandas Series и Dataframes. По Nicolas Bolle. #31079

sklearn.datasets

• Исправление Исправлена регрессия, препятствующая извлечению загруженного набора данных в datasets.fetch_20newsgroups, datasets.fetch_20newsgroups_vectorized, datasets.fetch_lfw_people и datasets.fetch_lfw_pairs. Это влияет только на версии Python >=3.10.0,<=3.10.11 и >=3.11.0,<=3.11.3. Путем Жереми дю Буаберранже. #31685

sklearn.inspection

• Исправление Исправлены несколько проблем в многоклассовой настройке inspection.DecisionBoundaryDisplay:

  • contour построение графиков теперь корректно показывает границу решения.

  • cmap и colors теперь правильно игнорируются в пользу multiclass_colors.

  • Линейные сегментированные цветовые карты теперь полностью поддерживаются.

  По Yunjie Lin #31553

sklearn.naive_bayes

• Исправление naive_bayes.CategoricalNB теперь правильно указывает, что принимает категориальные признаки в тегах, возвращаемых его __sklearn_tags__ метод. Путем Оливье Гризель #31556

sklearn.utils

• Исправление Исправлено ложное предупреждение (о том, что количество уникальных классов превышает 50% от количества образцов), которое могло возникать при передаче classes utils.multiclass.type_of_target. Путем Sascha D. Krauss. #31584

Версия 1.7.0

Июнь 2025

Измененные модели

• Исправление Изменить ConvergenceWarning сообщение оценщиков, которые полагаются на "lbfgs" оптимизатор внутренне, чтобы быть более информативным и избегать предложений увеличить максимальное количество итераций, когда оно не устанавливается пользователем или когда проблема сходимости возникает до его достижения. Путём Оливье Гризель. #31316

Изменения, затрагивающие многие модули

• Разреженное обновление: В рамках изменения SciPy с spmatrix на sparray все внутреннее использование разреженных объектов теперь поддерживает как sparray, так и spmatrix. Все манипуляции с разреженными объектами должны работать как для spmatrix, так и для sparray. Это первый этап миграции к sparray (см. Миграция SciPy на sparray По Дэн Шульт #30858

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 sklearn.utils.check_consistent_length теперь поддерживает совместимые с Array API входные данные. С помощью Stefanie Senger #29519

• Функция sklearn.metrics.explained_variance_score и sklearn.metrics.mean_pinball_loss теперь поддерживает входные данные, совместимые с Array API. С помощью Вирджил Чан #29978

• Функция sklearn.metrics.fbeta_score, sklearn.metrics.precision_score и sklearn.metrics.recall_score теперь поддерживает входные данные, совместимые с Array API. С помощью Omar Salman #30395

• Функция sklearn.utils.extmath.randomized_svd теперь поддерживает входные данные, совместимые с Array API. С помощью Connor Lane и Жереми дю Буаберранже. #30819

• Функция sklearn.metrics.hamming_loss теперь поддерживает входные данные, совместимые с Array API. С помощью Thomas Li #30838

• Функция preprocessing.Binarizer теперь поддерживает входные данные, совместимые с Array API. Путём Ярослав Коробко, Оливье Гризель, и Thomas Li. #31190

• Функция sklearn.metrics.jaccard_score теперь поддерживает входные данные, совместимые с Array API. Путём Omar Salman #31204

• array-api-compat и array-api-extra теперь включены в исходный код scikit-learn. Пользователям экспериментальной поддержки стандарта array API больше не нужно устанавливать array-api-compat в своей среде. от Lucas Colley #30340

при использовании парсера pandas. Параметр

См. Руководство по маршрутизации метаданных для более подробной информации.

• Функция ensemble.BaggingClassifier и ensemble.BaggingRegressor теперь поддерживают маршрутизацию метаданных через свои predict, predict_proba, predict_log_proba и decision_function методы и передают **params к базовым оценщикам. С помощью Stefanie Senger. #30833

sklearn.base

• Улучшение base.BaseEstimator теперь имеет параметр table, добавленный к HTML-представлению оценщиков, которое можно визуализировать с помощью jupyter. С помощью Guillaume Lemaitre и Dea María Léon #30763

sklearn.calibration

• Исправление CalibratedClassifierCV теперь вызывает FutureWarning вместо UserWarning при передаче cv="prefit”. С помощью Оливье Гризель

• CalibratedClassifierCV с method="sigmoid" больше не приводит к сбоям при передаче float64-dtyped sample_weight вместе с базовым оценщиком, который выводит float32-типизированные предсказания. Путем Olivier Grisel #30873

sklearn.compose

• Изменение API The force_int_remainder_cols параметр compose.ColumnTransformer и compose.make_column_transformer устарел и будет удален в версии 1.9. Он не имеет эффекта. По Жереми дю Буаберранже Здесь мы показываем пример, иллюстрирующий взаимосвязь между оценками условной вероятности

sklearn.covariance

• Исправление Поддержка n_samples == n_features в sklearn.covariance.MinCovDet был восстановлен. С помощью Antony Lee. #30483

sklearn.datasets

• Улучшение Новый параметр return_X_y добавлен в datasets.make_classification. Значение по умолчанию параметра не меняет поведение функции. Путем Success Moses и Adam Cooper #30196

sklearn.decomposition

• Функция DictionaryLearning, SparseCoder и MiniBatchDictionaryLearning теперь имеют inverse_transform метод. С помощью Rémi Flamary #30443

sklearn.ensemble

• Функция ensemble.HistGradientBoostingClassifier и ensemble.HistGradientBoostingRegressor позволяет лучше контролировать валидационный набор, используемый для ранней остановки. Теперь можно передавать данные для валидации непосредственно в fit через аргументы X_val, y_val и sample_weight_val. Путем Christian Lorentzen. #27124

• Исправление ensemble.VotingClassifier и ensemble.VotingRegressor проверять estimators чтобы убедиться, что это список кортежей. С помощью Томас Фан. #30649

sklearn.feature_selection

• Улучшение feature_selection.RFECV теперь предоставляет доступ к ранжированию и поддержке на каждой итерации и шаге кросс-валидации при выборе признаков. Автор Marie S. #30179

• Исправление feature_selection.SelectFromModel теперь корректно работает, когда оценщик является экземпляром linear_model.ElasticNetCV raw_covariance_ l1_ratio параметр является array-like. Путем Vasco Pereira. #31107

sklearn.gaussian_process

• Улучшение gaussian_process.GaussianProcessClassifier теперь включает latent_mean_and_variance метод, который раскрывает среднее значение и дисперсию скрытой функции, \(f\), используется в приближении Лапласа. Автор Мигель Гонсалес Дуке #22227

sklearn.inspection

• Улучшение Добавить custom_values параметр в inspection.partial_dependence. Это позволяет пользователям передавать собственную сетку значений, для которой следует вычислить частичную зависимость. Freddy A. Boulton и Stephen Pardy #26202

• Улучшение inspection.DecisionBoundaryDisplay теперь поддерживает построение графиков всех классов для многоклассовых задач, когда response_method является 'decision_function', 'predict_proba' или 'auto'. По Lucy Liu #29797

• Исправление inspection.partial_dependence теперь выдает информативную ошибку при передаче пустого списка в качестве categorical_features параметр. None следует использовать вместо этого, чтобы указать, что категориальные признаки отсутствуют. По Pedro Lopes. #31146

• Изменение API inspection.partial_dependence больше не принимает целочисленный dtype для числовых столбцов признаков. Теперь требуется явное преобразование в значения с плавающей точкой перед вызовом этого инструмента (и предпочтительно даже перед обучением модели для инспекции). По Оливье Гризель #30409

sklearn.linear_model

• Улучшение linear_model.SGDClassifier и linear_model.SGDRegressor теперь принимают l1_ratio=None когда penalty не является "elasticnet". Путем Marc Bresson. #30730

• Эффективность Обучение linear_model.Lasso и linear_model.ElasticNet с fit_intercept=True быстрее для разреженного ввода X поскольку избегается ненужное повторное вычисление суммы остатков. Путем Christian Lorentzen #31387

• Исправление linear_model.LogisticRegression и linear_model.LogisticRegressionCV теперь правильно передает веса образцов в utils.class_weight.compute_class_weight при обучении с class_weight="balanced". Путем Шрути Нат и Оливье Гризель #30057

• Исправление Добавлен новый параметр tol to linear_model.LinearRegression которая определяет точность решения coef_ при обучении на разреженных данных. Путем Success Moses #30521

• Исправление Обновление и инициализация гиперпараметров теперь правильно обрабатывают веса выборок в linear_model.BayesianRidge. Путем Antoine Baker. #30644

• Исправление linear_model.BayesianRidge теперь использует полное SVD для корректной оценки апостериорной ковариационной матрицы sigma_ когда n_samples < n_features. Путем Antoine Baker #31094

• Изменение API Параметр n_alphas было устаревшим в следующих классах: linear_model.ElasticNetCV и linear_model.LassoCV и linear_model.MultiTaskElasticNetCV и linear_model.MultiTaskLassoCV, и будет удален в 1.9. Параметр alphas теперь поддерживает как целые числа, так и массиво-подобные объекты, устраняя необходимость в n_alphas. Отныне только alphas должно быть установлено либо для указания количества alphas для автоматической генерации (int), либо для предоставления списка alphas (array-like) для тестирования вдоль пути регуляризации. По Сиддхарт Бансал. #30616

• Изменение API Используя "liblinear" решатель для многоклассовой классификации с схемой один-против-всех в linear_model.LogisticRegression и linear_model.LogisticRegressionCV устарел и будет вызывать ошибку в версии 1.8. Либо используйте решатель, который поддерживает мультиномиальную потерю, либо оберните оценщик в sklearn.multiclass.OneVsRestClassifier продолжать применять схему "один против всех". Путем Жереми дю Буаберранже. #31241

sklearn.manifold

• Улучшение manifold.MDS переключится на использование n_init=1 по умолчанию, начиная с версии 1.9. С помощью Dmitry Kobak #31117

• Исправление manifold.MDS теперь корректно обрабатывает неметрическое MDS. Кроме того, возвращаемое значение стресса теперь соответствует возвращаемому вложению и нормализованный стресс теперь разрешен для метрического MDS. Автор Dmitry Kobak #30514

• Исправление manifold.MDS теперь использует eps=1e-6 по умолчанию, и критерий сходимости был скорректирован, чтобы иметь смысл как для метрического, так и для неметрического MDS и следовать эталонной реализации на R. Формула для нормализованного стресса была скорректирована, чтобы следовать исходному определению Крускала. Автор Dmitry Kobak #31117

sklearn.metrics

• Функция metrics.brier_score_loss реализует оценку Брайера для многоклассовых задач классификации и добавляет scale_by_half аргумент. Эта метрика особенно полезна для оценки как резкости, так и калибровки вероятностных классификаторов. Подробности см. в строках документации. По Varun Aggarwal, Оливье Гризель и Antoine Baker. #22046

• Функция Добавить метод класса from_cv_results to metrics.RocCurveDisplay, что позволяет легко строить несколько ROC-кривых из model_selection.cross_validate результаты. С помощью Lucy Liu модуль:

• Улучшение metrics.det_curve, metrics.DetCurveDisplay.from_estimator, и metrics.DetCurveDisplay.from_estimator теперь принимает drop_intermediate опция для удаления порогов, где истинно положительные (tp) не меняются по сравнению с предыдущими или последующими порогами. Все точки с одинаковым значением tp имеют одинаковый fnr и, следовательно, ту же координату y на кривой DET. Путем Arturo Amor #29151

• Улучшение class_likelihood_ratios теперь имеет replace_undefined_by параметр. Когда происходит деление на ноль, метрика не определена, и установленные значения возвращаются для LR+ и LR-. Путем Stefanie Senger #29288

• Исправление metrics.log_loss теперь вызывает ValueError если значения y_true отсутствуют в labels. С помощью Varun Aggarwal, Оливье Гризель и Antoine Baker. #22046

• Исправление metrics.det_curve и metrics.DetCurveDisplay теперь возвращает дополнительный порог на бесконечности, где классификатор всегда предсказывает отрицательный класс, т.е. tps = fps = 0. По Arturo Amor #29151

• Исправление class_likelihood_ratios теперь вызывает UndefinedMetricWarning вместо UserWarning когда происходит деление на ноль. С помощью Stefanie Senger #29288

• Исправление metrics.RocCurveDisplay больше не будет устанавливать легенду, когда label является None в обоих line_kwargs и chance_level_kw. Путем Arturo Amor #29727

• Исправление Дополнительные sample_weight проверка была добавлена в metrics.mean_absolute_error, metrics.mean_pinball_loss, metrics.mean_absolute_percentage_error, metrics.mean_squared_error, metrics.root_mean_squared_error, metrics.mean_squared_log_error, metrics.root_mean_squared_log_error, metrics.explained_variance_score, metrics.r2_score, metrics.mean_tweedie_deviance, metrics.mean_poisson_deviance, metrics.mean_gamma_deviance и metrics.d2_tweedie_score. sample_weight может быть только 1D, согласованно с y_true и y_pred по длине или скаляр. С помощью Lucy Liu. #30886

• Исправление d2_log_loss_score теперь корректно обрабатывает случай, когда labels передается и не все метки присутствуют в y_true. Путем Vassilis Margonis #30903

• Исправление Исправление metrics.adjusted_mutual_info_score числовая проблема, когда количество классов и образцов мало. По Hleb Levitski #31065

• Изменение API The sparse параметр metrics.fowlkes_mallows_score устарел и будет удален в версии 1.9. Он не имеет эффекта. По Luc Rocher. #28981

• Изменение API The raise_warning параметр metrics.class_likelihood_ratios устарел и будет удален в 1.9. UndefinedMetricWarning всегда будет вызываться в случае деления на ноль. Stefanie Senger. #29288

• Изменение API В sklearn.metrics.RocCurveDisplay.from_predictions, аргумент y_pred был переименован в y_score чтобы лучше отразить его назначение. y_pred будет удалено в версии 1.9. По Багус Трис Атмаджа в #29865

sklearn.mixture

• Функция Добавлен атрибут lower_bounds_ в mixture.BaseMixture класс для сохранения списка нижних границ для каждой итерации, тем самым предоставляя инсайты в поведение сходимости моделей смесей, таких как mixture.GaussianMixture. Путем Манидип Йенугула #28559

• Эффективность Упрощённое избыточное вычисление при оценке ковариаций в GaussianMixture с covariance_type="spherical" или covariance_type="diag". Путем Leonce Mekinda и Оливье Гризель #30414

• Эффективность GaussianMixture теперь последовательно работает на float32 точность при обучении с float32 данные для повышения скорости обучения и эффективности использования памяти. Ранее часть вычислений неявно преобразовывалась в float64. С помощью Оливье Гризель и Omar Salman. #30415

sklearn.model_selection

• Исправление Оптимизаторы гиперпараметров, такие как model_selection.GridSearchCV теперь перенаправляет sample_weight в оценщик, даже когда маршрутизация метаданных не включена. По Antoine Baker #30743

sklearn.multiclass

• Исправление The predict_proba метод sklearn.multiclass.OneVsRestClassifier теперь возвращает ноль для всех классов, когда все внутренние оценщики никогда не предсказывают свой положительный класс. Благодаря Luis M. B. Varona, Marc Bresson, и Жереми дю Буаберранже. #31228

sklearn.multioutput

• Улучшение Параметр base_estimator был устаревшим в пользу estimator для multioutput.RegressorChain и multioutput.ClassifierChain. Путем Success Moses и dikraMasrour #30152

sklearn.neural_network

• Функция Добавлена поддержка для sample_weight в neural_network.MLPClassifier и neural_network.MLPRegressor. Путем Зак Шу и Christian Lorentzen #30155

• Функция Добавлен параметр для loss в neural_network.MLPRegressor с опциями "squared_error" (по умолчанию) и "poisson" (новый). Автор: Christian Lorentzen #30712

• Исправление neural_network.MLPRegressor теперь выдает информативную ошибку, когда early_stopping установлен и вычисленный набор валидации слишком мал. При David Shumway. #24788

sklearn.pipeline

• Улучшение Раскрыть verbose_feature_names_out аргумент в pipeline.make_union функцию, позволяя пользователям контролировать уникальность названий признаков в pipeline.FeatureUnion. Путем Abhijeetsingh Meena #30406

sklearn.preprocessing

• Улучшение preprocessing.KBinsDiscretizer с strategy="uniform" теперь принимает sample_weight. Дополнительно с strategy="quantile" the quantile_method теперь может быть указан (в будущем quantile_method="averaged_inverted_cdf" станет значением по умолчанию). С помощью Шрути Нат и Оливье Гризель #29907

• Исправление preprocessing.KBinsDiscretizer теперь использует взвешенную повторную выборку, когда заданы веса образцов и используется субдискретизация. Это может изменить результаты даже при неиспользовании весов образцов, хотя в абсолютных, а не в статистических свойствах. По Шрути Нат и Жереми дю Буаберранже #29907

• Исправление Теперь используя scipy.stats.yeojohnson вместо нашей собственной реализации преобразования Йео-Джонсона. Исправлена численная устойчивость (в основном переполнения) преобразования Йео-Джонсона с PowerTransformer(method="yeo-johnson") когда версия scipy >= 1.12. Начальный PR от Xuefeng Xu завершено Mohamed Yaich, Oussama Er-rabie, Мохаммед Яслам Длими, Hamza Zaroual, Амин Ханнун и Sylvain Marié. #31227

sklearn.svm

• Исправление svm.LinearSVC теперь правильно передает веса образцов в utils.class_weight.compute_class_weight при обучении с class_weight="balanced". Путем Шрути Нат #30057

sklearn.utils

• Улучшение utils.multiclass.type_of_target вызывает предупреждение, когда количество уникальных классов превышает 50% от количества образцов. Это предупреждение выводится только если y имеет более 20 образцов. По Rahil Parikh. #26335

• Улучшение :func: resample теперь обрабатывает веса выборок, что позволяет взвешенное повторное сэмплирование. По Шрути Нат и Оливье Гризель #29907

• Улучшение utils.class_weight.compute_class_weight теперь правильно учитывает веса образцов при использовании стратегии "balanced" для расчета весов классов. С помощью Шрути Нат #30057

• Улучшение Фильтры предупреждений из основного процесса передаются воркерам joblib. По Томас Фан #30380

• Улучшение Вспомогательная приватная функция utils._safe_indexing теперь официально поддерживает data pyarrow. Например, передача pyarrow Table как X в compose.ColumnTransformer теперь возможно. Путем Christian Lorentzen #31040

• Исправление В utils.estimator_checks мы теперь применяем для бинарных классификаторов бинарный y путем взятия минимума в качестве отрицательного класса вместо первого элемента, что делает его устойчивым к y перемешивание. Это предотвращает ошибочное срабатывание двух проверок для бинарных классификаторов. Путем Antoine Baker. #30775

• Исправление utils.extmath.randomized_svd и utils.extmath.randomized_range_finder теперь проверяют входной массив, чтобы раньше завершаться с информативным сообщением об ошибке при недопустимом вводе. По Connor Lane. #30819

Участники кода и документации

Спасибо всем, кто внес вклад в поддержку и улучшение проекта с версии 1.6, включая:

4hm3d, Aaron Schumacher, Abhijeetsingh Meena, Acciaro Gennaro Daniele, Achraf Tasfaout, Adriano Leão, Adrien Linares, Adrin Jalali, Agriya Khetarpal, Aiden Frank, Aitsaid Azzedine Idir, ajay-sentry, Akanksha Mhadolkar, Alexandre Abraham, Alfredo Saucedo, Anderson Chaves, Andres Guzman-Ballen, Aniruddha Saha, antoinebaker, Antony Lee, Arjun S, ArthurDbrn, Arturo, Arturo Amor, ash, Ashton Powell, ayoub.agouzoul, Ayrat, Bagus Tris Atmaja, Benjamin Danek, Boney Patel, Camille Troillard, Chems Ben, Christian Lorentzen, Christian Veenhuis, Christine P. Chai, claudio, Code_Blooded, Colas, Colin Coe, Connor Lane, Corey Farwell, Daniel Agyapong, Dan Schult, Dea María Léon, Deepak Saldanha, dependabot[bot], Dhyey Findoriya, Dimitri Papadopoulos Orfanos, Dmitry Kobak, Domenico, elenafillo, Elham Babaei, emelia-hdz, EmilyXinyi, Emma Carballal, Eric Larson, Eugen-Bleck, Evgeni Burovski, fabianhenning, Gael Varoquaux, GaetandeCast, Gil Ramot, Gonçalo Guiomar, Gordon Grey, Goutam, G Sreeja, Guillaume Lemaitre, Haesun Park, hakan çanakçı, Hanjun Kim, Helder Geovane Gomes de Lima, Henri Bonamy, Hleb Levitski, Hugo Boulenger, IlyaSolomatin, Irene, Jérémie du Boisberranger, Jérôme Dockès, JoaoRodriguesIST, Joel Nothman, Joris Van den Bossche, Josh, jshn9515, KALLA GANASEKHAR, Kevin Klein, Krishnan Vignesh, kryggird, Loic Esteve, Lucas Colley, Luc Rocher, Lucy Liu, Luis M. B. Varona, lunovian, Mamduh Zabidi, Marc Bresson, Marco Edward Gorelli, Marco Maggi, Marek Pokropiński, Maren Westermann, Marie Sacksick, Marija Vlajic, Martin Jurča, Mayank Raj, Michael Burkhart, Miguel González Duque, Mihir Waknis, Miro Hrončok, Mohamed Ali SRIR, Mohamed DHIFALLAH, mohammed benyamna, Mohit Singh Thakur, Mounir Lbath, myenugula, Natalia Mokeeva, Nicolas Bolle, Olivier Grisel, omahs, Omar Salman, Pedro Lopes, Pedro Olivares, Peter Holzer, Prashant Bansal, Preyas Shah, Radovenchyk, Rahil Parikh, Rémi Flamary, Reshama Shaikh, Richard Harris, Rishab Saini, rolandrmgservices, SanchitD, Santiago Castro, Santiago Víquez, saskra, scikit-learn-bot, Scott Huberty, Shashank S, Shaurya Bisht, Shivam, Shruti Nath, Siddharth Bansal, SIKAI ZHANG, Simarjot Sidhu, sisird864, SiyuJin-1, Somdutta Banerjee, Sortofamudkip, sotagg, Sourabh Kumar, Stefan, Stefanie Senger, Stefano Gaspari, Steffen Rehberg, Stephen Pardy, Success Moses, Sylvain Combettes, Tahar Allouche, Thomas J. Fan, Thomas Li, ThorbenMaa, Tim Head, Tingwei Zhu, TJ Norred, Umberto Fasci, UV, Vasco Pereira, Vassilis Margonis, Velislav Babatchev, Victoria Shevchenko, viktor765, Vipsa Kamani, VirenPassi, Virgil Chan, vpz, Xiao Yuan, Yaich Mohamed, Yair Shimony, Yao Xiao, Yaroslav Halchenko, Yulia Vilensky, Yuvi Panda