版本 1.6

有关此版本主要亮点的简短说明，请参阅 scikit-learn 1.6 的发行亮点。

变更日志图例

• 主要功能 以前无法实现的重要功能。

• 功能 以前无法实现的功能。

• 效率提升 现有功能现在可能不需要那么多计算或内存。

• 增强 各种各样的次要改进。

• 修复 以前未按文档说明或合理预期工作的内容现在应该可以工作了。

• API 变更 您需要更改代码才能在将来获得相同的效果；或者某个功能将在将来被移除。

版本 1.6.0

2024 年 12 月

影响许多模块的更改

• 增强 为在估计器中设置标签引入了 __sklearn_tags__。更多详细信息，请参见 估计器标签。由 Thomas Fan 和 Adrin Jalali #29677

• 增强 仅使用 import sklearn 导入语句即可使用 Scikit-learn 类和函数。例如，import sklearn; sklearn.svm.SVC() 现在可以工作了。由 Thomas Fan #29793

• 修复 类 metrics.ConfusionMatrixDisplay、metrics.RocCurveDisplay、calibration.CalibrationDisplay、metrics.PrecisionRecallDisplay、metrics.PredictionErrorDisplay 和 inspection.PartialDependenceDisplay 现在可以正确处理 Matplotlib 的样式参数别名（例如，c 和 color，ls 和 linestyle 等）。由 Joseph Barbier #30023

• API 变更 引入了 utils.validation.validate_data 并替换了以前的私有 base.BaseEstimator._validate_data 方法。这旨在用于第三方估计器开发者，在大多数情况下，他们应该使用此函数而不是 utils.check_array 和 utils.check_X_y。由 Adrin Jalali #29696

对 Array API 的支持

其他估计器和函数已更新，以包括对所有与 Array API 兼容的输入的支持。

有关更多详细信息，请参见 Array API 支持（实验性）。

• 功能 model_selection.GridSearchCV、model_selection.RandomizedSearchCV、model_selection.HalvingGridSearchCV 和 model_selection.HalvingRandomSearchCV 现在在其基础估计器也支持的情况下支持与 Array API 兼容的输入。由 Tim Head 和 Olivier Grisel #27096

• 功能 sklearn.metrics.f1_score 现在支持与 Array API 兼容的输入。由 Omar Salman #27369

• 新增功能 preprocessing.LabelEncoder 现在支持与 Array API 兼容的输入。贡献者：Omar Salman #27381

• 新增功能 sklearn.metrics.mean_absolute_error 现在支持与 Array API 兼容的输入。贡献者：Edoardo Abati #27736

• 新增功能 sklearn.metrics.mean_tweedie_deviance 现在支持与 Array API 兼容的输入。贡献者：Thomas Li #28106

• 新增功能 sklearn.metrics.pairwise.cosine_similarity 现在支持与 Array API 兼容的输入。贡献者：Edoardo Abati #29014

• 新增功能 sklearn.metrics.pairwise.paired_cosine_distances 现在支持与 Array API 兼容的输入。贡献者：Edoardo Abati #29112

• 新增功能 sklearn.metrics.cluster.entropy 现在支持与 Array API 兼容的输入。贡献者：Yaroslav Korobko #29141

• 新增功能 sklearn.metrics.mean_squared_error 现在支持与 Array API 兼容的输入。贡献者：Yaroslav Korobko #29142

• 新增功能 sklearn.metrics.pairwise.additive_chi2_kernel 现在支持与 Array API 兼容的输入。贡献者：Yaroslav Korobko #29144

• 新增功能 sklearn.metrics.d2_tweedie_score 现在支持与 Array API 兼容的输入。贡献者：Emily Chen #29207

• 新增功能 sklearn.metrics.max_error 现在支持与 Array API 兼容的输入。贡献者：Edoardo Abati #29212

• 新增功能 sklearn.metrics.mean_poisson_deviance 现在支持与 Array API 兼容的输入。贡献者：Emily Chen #29227

• 新增功能 sklearn.metrics.mean_gamma_deviance 现在支持与 Array API 兼容的输入。贡献者：Emily Chen #29239

• 新增功能 sklearn.metrics.pairwise.cosine_distances 现在支持与 Array API 兼容的输入。贡献者：Emily Chen #29265

• 新增功能 sklearn.metrics.pairwise.chi2_kernel 现在支持与 Array API 兼容的输入。贡献者：Yaroslav Korobko #29267

• 新增功能 sklearn.metrics.mean_absolute_percentage_error 现在支持与 Array API 兼容的输入。贡献者：Emily Chen #29300

• 新增功能 sklearn.metrics.pairwise.paired_euclidean_distances 现在支持与 Array API 兼容的输入。贡献者：Emily Chen #29389

• 新增功能 sklearn.metrics.pairwise.euclidean_distances 和 sklearn.metrics.pairwise.rbf_kernel 现在支持兼容 Array API 的输入。贡献者：Omar Salman #29433

• 新增功能 sklearn.metrics.pairwise.linear_kernel，sklearn.metrics.pairwise.sigmoid_kernel 和 sklearn.metrics.pairwise.polynomial_kernel 现在支持兼容 Array API 的输入。贡献者：Omar Salman #29475

• 新增功能 sklearn.metrics.mean_squared_log_error 和 sklearn.metrics.root_mean_squared_log_error 现在支持兼容 Array API 的输入。贡献者：Virgil Chan #29709

• 新增功能 preprocessing.MinMaxScaler 使用 clip=True 现在支持兼容 Array API 的输入。贡献者：Shreekant Nandiyawar #29751

• 已移除对即将弃用的 cupy.array_api 模块的支持，转而直接支持顶层 cupy 模块，可能通过 array_api_compat.cupy 兼容性包装器实现。贡献者：Olivier Grisel #29639

元数据路由

更多详情，请参考 元数据路由用户指南。

• 新增功能 semi_supervised.SelfTrainingClassifier 现在支持元数据路由。fit 方法现在接受 **fit_params，这些参数将通过其 fit 方法传递给底层估计器。此外，predict，predict_proba，predict_log_proba，score 和 decision_function 方法也接受 **params，这些参数将通过其各自的方法传递给底层估计器。贡献者：Adam Li #28494

• 新增功能 ensemble.StackingClassifier 和 ensemble.StackingRegressor 现在支持元数据路由，并通过其 fit 方法将 **fit_params 传递给底层估计器。贡献者：Stefanie Senger #28701

• 新增功能 model_selection.learning_curve 现在支持其估计器的 fit 方法以及其底层 CV 分割器和评分器的元数据路由。贡献者：Stefanie Senger #28975

• 新增功能 compose.TransformedTargetRegressor 现在在其 fit 和 predict 方法中支持元数据路由，并将相应参数路由到底层回归器。贡献者：Omar Salman #29136

• 新增功能 feature_selection.SequentialFeatureSelector 现在在其 fit 方法中支持元数据路由，并将相应参数传递给 model_selection.cross_val_score 函数。贡献者：Omar Salman #29260

• 新增功能 model_selection.permutation_test_score 现在支持其估计器的 fit 方法以及其底层 CV 分割器和评分器的元数据路由。贡献者：Adam Li #29266

• 新增功能 feature_selection.RFE 和 feature_selection.RFECV 现在支持元数据路由。贡献者：Omar Salman #29312

• 新增功能 model_selection.validation_curve 现在支持其估计器的 fit 方法以及其底层 CV 分割器和评分器的元数据路由。贡献者：Stefanie Senger #29329

• 修复 通过 linear_model.RidgeCV 和 linear_model.RidgeClassifierCV 正确地将元数据路由到分组 CV 分割器，并为使用默认评分的 linear_model.RidgeClassifierCV 修复了 UnsetMetadataPassedError。贡献者：Stefanie Senger #29634

• 修复 现在排除了许多不应包含在路由机制中的方法参数，并且不会为它们生成 set_{method}_request 方法。贡献者：Adrin Jalali #29920

停止官方支持 PyPy

由于维护资源有限且用户数量较少，已停止对 PyPy 的官方支持。scikit-learn 的某些部分可能仍然有效，但 PyPy 在 scikit-learn 持续集成中不再进行测试。贡献者：Loïc Estève #29128

停止支持使用 setuptools 构建

从 scikit-learn 1.6 版本开始，已删除对使用 setuptools 构建的支持。Meson 是唯一支持的 scikit-learn 构建方式，详情请参阅 从源代码构建。贡献者：Loïc Estève #29400

支持免线程 CPython 3.13

scikit-learn 初步支持免线程 CPython，特别是为我们所有支持的平台提供了免线程轮子。

免线程（也称为 nogil）CPython 3.13 是 CPython 3.13 的实验版本，旨在通过移除全局解释器锁 (GIL) 来启用高效的多线程用例。

有关免线程 CPython 的更多详细信息，请参阅 py-free-threading 文档，特别是 如何安装免线程 CPython 和 生态系统兼容性跟踪。

欢迎在您的用例中尝试免线程功能并报告任何问题！

贡献者：Loïc Estève 和更广泛的 Scientific Python 和 CPython 生态系统中的许多其他人，例如 Nathan Goldbaum、Ralf Gommers、Edgar Andrés Margffoy Tuay。 #30360

sklearn.base

• 改进 添加了一个函数 base.is_clusterer，用于确定给定的估计器是否属于聚类器类别。贡献者：Christian Veenhuis #28936

• API 变更 将类对象传递给 is_classifier、is_regressor 和 is_outlier_detector 现在已弃用。请改用实例。贡献者：Adrin Jalali #30122

sklearn.calibration

• API 变更 cv="prefit" 已弃用 CalibratedClassifierCV。请改用 FrozenEstimator，例如 CalibratedClassifierCV(FrozenEstimator(estimator))。贡献者：Adrin Jalali #30171

sklearn.cluster

• API变更 cluster.Birch 的 copy 参数已在 1.6 版本中弃用，并将在 1.8 版本中移除。由于估计器不会对输入数据进行就地操作，因此该参数无效。 由 姚晓 #29124

sklearn.compose

• 增强 sklearn.compose.ColumnTransformer 的 verbose_feature_names_out 现在接受字符串格式或可调用对象来生成特征名称。 由 Marc Bresson #28934

sklearn.covariance

• 效率提升 covariance.MinCovDet 的拟合速度略有提升。 由 Antony Lee #29835

sklearn.cross_decomposition

• 修复 当 n_components 大于 n_samples 时，cross_decomposition.PLSRegression 现在会正确地抛出错误。 由 Thomas Fan #29710

sklearn.datasets

• 新增功能 datasets.fetch_file 允许从网上下载任意数据文件。它处理本地缓存，使用 SHA256 散列进行完整性检查，并在发生 HTTP 错误时自动重试。 由 Olivier Grisel #29354

sklearn.decomposition

• 增强 LatentDirichletAllocation 的 transform 和 fit_transform 方法现在都有一个 normalize 参数来控制文档主题分布是否被标准化。 由 Adrin Jalali #30097

• 修复 IncrementalPCA 现在只会在第一次调用 partial_fit 时输入数据的样本数小于组件数时抛出 ValueError。后续调用 partial_fit 不再受此限制。 由 Thomas Gessey-Jones #30224

sklearn.discriminant_analysis

• 修复 在存在共线性变量的情况下，discriminant_analysis.QuadraticDiscriminantAnalysis 现在会引发 LinAlgWarning。可以使用 reg_param 属性消除这些警告。 由 Alihan Zihna #19731

sklearn.ensemble

• 新增功能 ensemble.ExtraTreesClassifier 和 ensemble.ExtraTreesRegressor 现在支持数据矩阵 X 中的缺失值。缺失值通过在遍历树的过程中随机将所有样本移动到左子节点或右子节点来处理。By Adam Li #28268

• 效率提升 通过并行化初始的 bin 阈值搜索，提高了拟合 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 的运行时间。By Christian Lorentzen #28064

• 效率提升 ensemble.IsolationForest 现在在 predict 期间运行并行作业，使用 joblib，对于样本大小大于 2000 的情况，速度提升可达 2-4 倍。By Adam Li 和 Sérgio Pereira #28622

• 增强功能 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 的详细程度得到了更精细的控制。现在，verbose = 1 只打印摘要消息，verbose >= 2 则像以前一样打印完整信息。By Christian Lorentzen #28179

• API变更 ensemble.AdaBoostClassifier 的参数 algorithm 已弃用，并将在 1.8 版本中移除。By Jérémie du Boisberranger #29997

sklearn.feature_extraction

• 错误修复 feature_extraction.text.TfidfVectorizer 现在可以根据输入数据正确保留 idf_ 的 dtype。By Guillaume Lemaitre #30022

sklearn.frozen

• 主要功能 现在引入了 FrozenEstimator，它允许冻结估计器。这意味着对它调用 .fit 将不起作用，并且执行 clone(frozenestimator) 将返回相同的估计器，而不是未拟合的克隆。 #29705 By Adrin Jalali #29705

sklearn.impute

• 错误修复 impute.KNNImputer 在计算均匀权重的平均值时，会排除具有 NaN 距离的样本。By Xuefeng Xu #29135

• 错误修复 当 min_value 和 max_value 是数组类型，并且由于 keep_empty_features=False 而删除了一些特征时，impute.IterativeImputer 不会再引发错误，并且现在可以正确索引。By Guntitat Sawadwuthikul #29451

• 错误修复 修复了 impute.IterativeImputer，以确保当 keep_empty_features 设置为 True 时，它不会跳过迭代过程。By Arif Qodari #29779

• API变更 在impute.SimpleImputer中添加警告，当keep_empty_feature=False且strategy="constant"时。在这种情况下，空特征不会被丢弃，此行为将在1.8版本中更改。由 Arthur Courselle 和 Simon Riou #29950

sklearn.linear_model

• 增强 linear_model.LogisticRegression 和 linear_model.LogisticRegressionCV 中的 solver="newton-cholesky" 扩展到支持多类别设置下的完整多项式损失。由 Christian Lorentzen #28840

• 修复 在 linear_model.Ridge 和 linear_model.RidgeCV 中，fit之后，coef_ 属性的形状现在为 (n_samples,)，与其他线性模型相同。由 Maxwell Liu、Guillaume Lemaitre 和 Adrin Jalali #19746

• 修复 linear_model.LogisticRegressionCV 修正了测试分数计算中样本权重的处理。由 Shruti Nath #29419

• 修复 linear_model.LassoCV 和 linear_model.ElasticNetCV 现在考虑样本权重来定义内部调整的 alpha 超参数的搜索网格。由 John Hopfensperger 和 Shruti Nath #29442

• 修复 linear_model.LogisticRegression、linear_model.PoissonRegressor、linear_model.GammaRegressor、linear_model.TweedieRegressor 现在考虑样本权重来决定何时回退到 solver='lbfgs'，无论何时 solver='newton-cholesky' 变得数值不稳定。由 Antoine Baker #29818

• 修复 linear_model.RidgeCV 现在正确地使用与在 fit期间看到的目标相同尺度的预测。当 scoring != None 时，这些预测存储在 cv_results_ 中。以前，预测值按样本权重的平方根重新缩放，并按目标的平均值进行偏移，导致分数估计不正确。由 Guillaume Lemaitre、Jérôme Dockes 和 Hanmin Qin #29842

• 修复 linear_model.RidgeCV 现在通过让评分器管理多输出平均来正确地支持自定义多输出评分器。以前，在计算误差之前，预测值和真实目标值都被压缩为一维数组。由 Guillaume Lemaitre #29884

• 修复 linear_model.LinearRegression 现在在对密集输入数据调用 scipy.linalg.lstsq 求解器时设置 cond 参数。这确保了在秩亏数据上获得更稳健的数值结果。特别是，它根据经验修正了使用重新加权数据或重复数据点拟合之间的预期等价性属性。由 Antoine Baker #30040

• 修复 linear_model.LogisticRegression 和其他接受 solver="newton-cholesky" 的线性模型现在会在由于秩亏的 Hessian 矩阵而回退到 "lbfgs" 求解器时报告正确的迭代次数。由 Olivier Grisel #30100

• 修复 SGDOneClassSVM 现在正确地继承自 OutlierMixin，并且标签已正确设置。由 Guillaume Lemaitre #30227

• API变更 linear_model.TheilSenRegressor 中已弃用 copy_X，因为此参数无效。 copy_X 将在 1.8 版本中移除。由 Adam Li #29105

sklearn.manifold

• 效率提升 manifold.locally_linear_embedding 和 manifold.LocallyLinearEmbedding 现在可以更有效地分配 Hessian、Modified 和 LTSA 方法中稀疏矩阵的内存。由 Giorgio Angelotti #28096

sklearn.metrics

• 效率提升 sklearn.metrics.classification_report 现在通过缓存分类标签的速度更快了。由 Adrin Jalali #29738

• 增强 metrics.RocCurveDisplay.from_estimator，metrics.RocCurveDisplay.from_predictions，metrics.PrecisionRecallDisplay.from_estimator 和 metrics.PrecisionRecallDisplay.from_predictions 现在接受一个新的关键字 despine 来移除绘图的顶部和右侧脊柱，以使其更清晰。由 Yao Xiao #26367

• 增强 sklearn.metrics.check_scoring 现在接受 raise_exc 来指定如果多指标评分中的部分评分器失败是否引发异常或返回错误代码。由 Stefanie Senger #28992

• 修复 metrics.roc_auc_score 现在将正确返回 np.nan 并警告用户标签中只有一个类别的情况。由 Gleb Levitski 和 Janez Demšar #27412，#30013

• 修复 函数 metrics.mean_squared_log_error 和 metrics.root_mean_squared_log_error 现在检查输入是否在函数 \(y=\log(1+x)\) 的正确域内，而不是 \(y=\log(x)\)。函数 metrics.mean_absolute_error，metrics.mean_absolute_percentage_error，metrics.mean_squared_error 和 metrics.root_mean_squared_error 现在明确检查当 multioutput=uniform_average 时是否会返回标量。由 Virgil Chan #29709

• API变更 函数 metrics.pairwise.check_pairwise_arrays 和 metrics.pairwise_distances 的参数 assert_all_finite 已重命名为 ensure_all_finite。 force_all_finite 将在 1.8 版本中移除。By Jérémie du Boisberranger #29404

• API变更 应使用 scoring="neg_max_error" 代替现已弃用的 scoring="max_error"。 By Farid “Freddie” Taba #29462

• API变更 metrics.make_scorer 的参数 response_method 的默认值将从 None 更改为 "predict"， None 将在 1.8 版本中移除。同时，None 等效于 "predict"。 By Jérémie du Boisberranger #30001

sklearn.model_selection

• 增强 当 shuffle=True 时， GroupKFold 现在能够将分组打乱到不同的 folds 中。 By Zachary Vealey #28519

• 增强 如果基础估计器已拟合，则无需在 FixedThresholdClassifier 上调用 fit。 By Adrin Jalali #30172

• 修复 改进在不使用 y 参数调用 model_selection.RepeatedStratifiedKFold.split 时的错误消息。 By Anurag Varma #29402

sklearn.neighbors

• 增强 neighbors.NearestNeighbors， neighbors.KNeighborsClassifier， neighbors.KNeighborsRegressor， neighbors.RadiusNeighborsClassifier， neighbors.RadiusNeighborsRegressor， neighbors.KNeighborsTransformer， neighbors.RadiusNeighborsTransformer 和 neighbors.LocalOutlierFactor 现在可以使用 metric="nan_euclidean"，支持 nan 输入。 By Carlo Lemos， Guillaume Lemaitre 和 Adrin Jalali #25330

• 增强 为 neighbors.NearestCentroid 估计器类添加了 neighbors.NearestCentroid.decision_function， neighbors.NearestCentroid.predict_proba 和 neighbors.NearestCentroid.predict_log_proba。在 neighbors.NearestCentroid 中，支持 X 为稀疏矩阵且 shrinking_threshold 不为 None 的情况。 By Matthew Ning #26689

• 增强 使得 neighbors.KNeighborsClassifier 和 neighbors.RadiusNeighborsClassifier 的 predict、predict_proba 和 score 方法可以接受 X=None 作为输入。在这种情况下，将返回所有训练集点的预测结果，并且点不会包含在其自身的邻居中。作者：Dmitry Kobak #30047

• 修复 当训练数据中存在重复值导致异常值检测不准确时，neighbors.LocalOutlierFactor 的 fit 方法会发出警告。作者：Henrique Caroço #28773

sklearn.neural_network

• 修复 当模型发散且启用了 early_stopping 时，neural_network.MLPRegressor 将不再崩溃。作者：Marc Bresson #29773

sklearn.pipeline

• 主要功能 pipeline.Pipeline 现在可以将元数据转换到需要元数据的步骤，这可以使用 transform_input 参数设置。作者：Adrin Jalali #28901

• 增强 pipeline.Pipeline 现在会在调用需要拟合流水线的方法之前发出关于未拟合的警告。此警告将在 1.8 版本中变为错误。作者：Adrin Jalali #29868

• 修复 修复了空流水线时 Pipeline 的标签和估计器类型问题。这允许正确渲染空流水线的 HTML 表示。作者：Gennaro Daniele Acciaro #30203

sklearn.preprocessing

• 增强 在 preprocessing.OneHotEncoder 中的 handle_unknown 参数中添加了 warn 选项。作者：Gleb Levitski #28637

• 增强 preprocessing.FunctionTransformer 的 HTML 表示将显示函数名称在标签中。作者：Yao Xiao #29158

• 修复 preprocessing.PowerTransformer 现在使用 scipy.special.inv_boxcox 来输出 nan，如果 BoxCox 的逆输入无效。作者：Xuefeng Xu #27875

sklearn.semi_supervised

• API 变更 semi_supervised.SelfTrainingClassifier 已弃用 base_estimator 参数，而支持 estimator 参数。作者：Adam Li #28494

sklearn.tree

• 功能 tree.ExtraTreeClassifier 和 tree.ExtraTreeRegressor 现在支持数据矩阵 X 中的缺失值。缺失值通过在遍历树时随机将所有样本移动到左子节点或右子节点来处理。作者：Adam Li 和 Loïc Estève #27966，#30318

• 修复 将树导出到 Graphviz 格式时，对标签和特征名称转义双引号。作者：Santiago M. Mola。 #17575

sklearn.utils

• 增强 utils.check_array 现在接受 ensure_non_negative 来检查传入数组中的负值，此前只能通过调用 utils.check_non_negative 来实现。作者：Tamara Atanasoska #29540

• 增强 check_estimator 和 parametrize_with_checks 现在会检查分类器是否具有 tags.classifier_tags.multi_class = False 标签，如果具有该标签但在多类数据上没有报错，则会报错。作者：Adrin Jalali #29874

• 增强 utils.validation.check_is_fitted 现在会跳过无状态估计器。估计器可以通过设置 requires_fit 标签来指示其为无状态的。更多信息，请参见 估计器标签。作者：Adrin Jalali #29880

• 增强 对 check_estimator 和 parametrize_with_checks 的更改。

  • check_estimator 引入了新的参数：on_skip、on_fail 和 callback 来控制检查运行器的行为。有关更多详细信息，请参阅 API 文档。

  • generate_only=True 在 check_estimator 中已弃用。请改用 estimator_checks_generator。

  • 已删除 _xfail_checks 估计器标签，现在要指示哪些测试预计会失败，可以将字典作为 expected_failed_checks 参数传递给 check_estimator。类似地，可以使用 parametrize_with_checks 中的 expected_failed_checks 参数，它是一个返回字典的可调用对象，字典格式为

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

  作者：Adrin Jalali #30149

• 修复 utils.estimator_checks.parametrize_with_checks 和 utils.estimator_checks.check_estimator 现在支持在其上调用了 set_output 的估计器。作者：Adrin Jalali #29869

• API 变更 函数 utils.check_array、utils.check_X_y、utils.as_float_array 的 assert_all_finite 参数已重命名为 ensure_all_finite。force_all_finite 将在 1.8 版中移除。作者：Jérémie du Boisberranger #29404

• API 变更 utils.estimator_checks.check_sample_weights_invariance 已替换为 utils.estimator_checks.check_sample_weight_equivalence_on_dense_data（使用整数（包括零）权重）和 utils.estimator_checks.check_sample_weight_equivalence_on_sparse_data（对稀疏数据执行相同的操作）。作者：Antoine Baker #29818，#30137

• API变更 使用_estimator_type设置估计器类型已弃用。请改用继承自ClassifierMixin，RegressorMixin，TransformerMixin或OutlierMixin。或者，你可以在Tags的__sklearn_tags__方法中设置estimator_type。 By Adrin Jalali #30122

代码和文档贡献者

感谢自1.5版本以来为项目维护和改进做出贡献的每一个人，包括：

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, antoinebaker, Antony Lee, Anurag Varma, Arif Qodari, Arthur Courselle, Arturo Amor, Aswathavicky, Audrey Flanders, aurelienmorgan, Austin, awwwyan, AyGeeEm, a.zy.lee, baggiponte, BlazeStorm001, bme-git, brdav, Brigitta Sipőcz, Cailean Carter, Carlo Lemos, Christian Lorentzen, Christian Veenhuis, claudio, Conrad Stevens, datarollhexasphericon, Davide Chicco, David Matthew Cherney, Dea María Léon, Deepak Saldanha, Deepyaman Datta, dependabot[bot], dinga92, Dmitry Kobak, Drew Craeton, dymil, Edoardo Abati, EmilyXinyi, Eric Larson, Evelyn, fabianhenning, Farid “Freddie” Taba, Gael Varoquaux, Giorgio Angelotti, Gleb Levitski, Guillaume Lemaitre, Guntitat Sawadwuthikul, Henrique Caroço, hhchen1105, 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, John Enblom, JorgeCardenas, Joseph Barbier, jpienaar-tuks, Julian Chan, K.Bharat Reddy, Kevin Doshi, Lars, Loic Esteve, 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 M. Mola, scikit-learn-bot, sean moiselle, SHREEKANT VITTHAL NANDIYAWAR, Shruti Nath, Søren Bredlund Caspersen, Stefanie Senger, Steffen Schneider, Štěpán Sršeň, Sylvain Combettes, Tamara, Thomas, Thomas Gessey-Jones, Thomas J. Fan, Thomas Li, Tialo, Tim Head, Tuhin Sharma, Tushar Parimi, vedpawar2254, Victoria Shevchenko, viktor765, Vince Carey, Virgil Chan, Wang Jiayi, Xiao Yuan, Xuefeng Xu, Yao Xiao, yareyaredesuyo, Zachary Vealey, Ziad Amerr