注意
跳到末尾以下载完整的示例代码。或者通过 JupyterLite 或 Binder 在浏览器中运行此示例
scikit-learn 0.24 发布亮点#
我们很高兴地宣布 scikit-learn 0.24 发布！本次发布增加了许多错误修复和改进，以及一些新的关键功能。下面我们将详细介绍本次发布的一些主要功能。要获取所有更改的详尽列表，请参阅发布说明。
安装最新版本（使用 pip）
pip install --upgrade scikit-learn
或使用 conda
conda install -c conda-forge scikit-learn
用于调优超参数的逐次减半估计器#
Successive Halving 是一种最先进的方法，现已可用于探索参数空间并找出其最佳组合。HalvingGridSearchCV 和 HalvingRandomSearchCV 可作为 GridSearchCV 和 RandomizedSearchCV 的直接替代品。Successive Halving 是一种迭代选择过程，如下图所示。第一次迭代使用少量资源运行，资源通常对应于训练样本的数量，但也可以是任意整数参数，例如随机森林中的 n_estimators。只有一部分参数候选被选中进行下一次迭代，下一次迭代将使用增加的分配资源量运行。只有一小部分候选将持续到迭代过程结束，最佳参数候选是在最后一次迭代中得分最高的那个。
在用户指南中阅读更多信息（注意：Successive Halving 估计器仍处于实验阶段）。
import numpy as np
from scipy.stats import randint
from sklearn.datasets import make_classification
from sklearn.ensemble import RandomForestClassifier
from sklearn.experimental import enable_halving_search_cv # noqa: F401
from sklearn.model_selection import HalvingRandomSearchCV
rng = np.random.RandomState(0)
X, y = make_classification(n_samples=700, random_state=rng)
clf = RandomForestClassifier(n_estimators=10, random_state=rng)
param_dist = {
"max_depth": [3, None],
"max_features": randint(1, 11),
"min_samples_split": randint(2, 11),
"bootstrap": [True, False],
"criterion": ["gini", "entropy"],
}
rsh = HalvingRandomSearchCV(
estimator=clf, param_distributions=param_dist, factor=2, random_state=rng
)
rsh.fit(X, y)
rsh.best_params_
{'bootstrap': True, 'criterion': 'gini', 'max_depth': None, 'max_features': 10, 'min_samples_split': 10}
HistGradientBoosting 估计器对分类特征的原生支持#
HistGradientBoostingClassifier 和 HistGradientBoostingRegressor 现在原生支持分类特征：它们可以考虑对无序的分类数据进行分割。在用户指南中阅读更多信息。
该图显示，对分类特征的新原生支持所产生的拟合时间与将类别视为有序量（即简单地进行序数编码）的模型相当。原生支持也比独热编码和序数编码更具表达力。但是，要使用新的 categorical_features 参数，仍然需要像本示例中演示的那样在管道中预处理数据。
HistGradientBoosting 估计器性能改进#
ensemble.HistGradientBoostingRegressor 和 ensemble.HistGradientBoostingClassifier 在调用 fit 期间的内存占用已显著改善。此外，直方图初始化现在并行完成，从而略微提高了速度。请参阅基准测试页面了解更多信息。
新的自训练元估计器#
现在可以将基于Yarowski 算法的新自训练实现与任何实现predict_proba的分类器一起使用。子分类器将作为半监督分类器，允许它从未标记数据中学习。在用户指南中阅读更多信息。
import numpy as np
from sklearn import datasets
from sklearn.semi_supervised import SelfTrainingClassifier
from sklearn.svm import SVC
rng = np.random.RandomState(42)
iris = datasets.load_iris()
random_unlabeled_points = rng.rand(iris.target.shape[0]) < 0.3
iris.target[random_unlabeled_points] = -1
svc = SVC(probability=True, gamma="auto")
self_training_model = SelfTrainingClassifier(svc)
self_training_model.fit(iris.data, iris.target)
新的 SequentialFeatureSelector 转换器#
一个新的迭代特征选择转换器已可用：SequentialFeatureSelector。顺序特征选择可以一次添加一个特征（前向选择）或从可用特征列表中删除特征（后向选择），基于交叉验证得分最大化。请参阅用户指南。
from sklearn.datasets import load_iris
from sklearn.feature_selection import SequentialFeatureSelector
from sklearn.neighbors import KNeighborsClassifier
X, y = load_iris(return_X_y=True, as_frame=True)
feature_names = X.columns
knn = KNeighborsClassifier(n_neighbors=3)
sfs = SequentialFeatureSelector(knn, n_features_to_select=2)
sfs.fit(X, y)
print(
"Features selected by forward sequential selection: "
f"{feature_names[sfs.get_support()].tolist()}"
)
Features selected by forward sequential selection: ['sepal length (cm)', 'petal width (cm)']
新的 PolynomialCountSketch 核近似函数#
新的 PolynomialCountSketch 在与线性模型一起使用时，近似于特征空间的多项式展开，但比 PolynomialFeatures 使用的内存少得多。
from sklearn.datasets import fetch_covtype
from sklearn.kernel_approximation import PolynomialCountSketch
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import MinMaxScaler
X, y = fetch_covtype(return_X_y=True)
pipe = make_pipeline(
MinMaxScaler(),
PolynomialCountSketch(degree=2, n_components=300),
LogisticRegression(max_iter=1000),
)
X_train, X_test, y_train, y_test = train_test_split(
X, y, train_size=5000, test_size=10000, random_state=42
)
pipe.fit(X_train, y_train).score(X_test, y_test)
0.7369
作为比较，这是相同数据线性基线的得分
linear_baseline = make_pipeline(MinMaxScaler(), LogisticRegression(max_iter=1000))
linear_baseline.fit(X_train, y_train).score(X_test, y_test)
0.7141
个体条件期望图#
一种新的部分依赖图现已可用：个体条件期望 (ICE) 图。ICE 图单独显示每个样本的预测对特征的依赖性，每个样本一条线。请参阅用户指南
from sklearn.datasets import fetch_california_housing
from sklearn.ensemble import RandomForestRegressor
# from sklearn.inspection import plot_partial_dependence
from sklearn.inspection import PartialDependenceDisplay
X, y = fetch_california_housing(return_X_y=True, as_frame=True)
features = ["MedInc", "AveOccup", "HouseAge", "AveRooms"]
est = RandomForestRegressor(n_estimators=10)
est.fit(X, y)
# plot_partial_dependence has been removed in version 1.2. From 1.2, use
# PartialDependenceDisplay instead.
# display = plot_partial_dependence(
display = PartialDependenceDisplay.from_estimator(
est,
X,
features,
kind="individual",
subsample=50,
n_jobs=3,
grid_resolution=20,
random_state=0,
)
display.figure_.suptitle(
"Partial dependence of house value on non-location features\n"
"for the California housing dataset, with BayesianRidge"
)
display.figure_.subplots_adjust(hspace=0.3)
DecisionTreeRegressor 的新泊松分裂准则#
泊松回归估计的集成从 0.23 版本继续。DecisionTreeRegressor 现在支持新的 'poisson' 分裂准则。如果您的目标是计数或频率，将 criterion="poisson" 设置可能是一个不错的选择。
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeRegressor
n_samples, n_features = 1000, 20
rng = np.random.RandomState(0)
X = rng.randn(n_samples, n_features)
# positive integer target correlated with X[:, 5] with many zeros:
y = rng.poisson(lam=np.exp(X[:, 5]) / 2)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=rng)
regressor = DecisionTreeRegressor(criterion="poisson", random_state=0)
regressor.fit(X_train, y_train)
新的文档改进#
添加了新的示例和文档页面，持续努力提高对机器学习实践的理解
脚本总运行时间： (0 分 12.897 秒)
相关示例
