版本 1.1

要查看此版本的主要亮点简要说明，请参阅scikit-learn 1.1 发布亮点。

更新日志图例

• 主要功能 之前无法实现的重要功能。

• 功能 之前无法实现的功能。

• 效率 现有功能现在可能不需要那么多计算或内存。

• 改进 一项杂项的小改进。

• 修复 以前未按文档说明工作或不符合合理预期的问题现在应该可以工作了。

• API 变更 将来您需要更改代码以获得相同效果；或者某个功能将在未来被移除。

版本 1.1.3

2022 年 10 月

此错误修复版本仅包含与最新 SciPy 版本 (>= 1.9.2) 兼容性的修复。显著的更改包括

• 修复 由于最新的 SciPy wheels 中已移除 msvcp140.dll，因此将其包含在 scikit-learn wheels 中。#24631 由 Chiara Marmo 贡献。

• 改进 为 Python 3.11 创建 wheels。#24446 由 Chiara Marmo 贡献。

其他错误修复将在未来几周发布的下一个 1.2 版本中提供。

请注意，此版本已取消对 Windows 上 32 位 Python 的支持。这是由于 SciPy 1.9.2 也取消了对该平台的相同支持。建议 Windows 用户安装 64 位版本的 Python。

版本 1.1.2

2022 年 8 月

模型变更

以下估计器和函数，在使用相同数据和参数进行拟合时，可能会产生与之前版本不同的模型。这通常是由于建模逻辑（错误修复或改进）或随机抽样过程的变化所致。

• 修复 manifold.TSNE 现在在拟合时，如果 perplexity>=n_samples，会抛出 ValueError，以确保算法的数学正确性。#10805 由 Mathias Andersen 贡献，#23471 由 Meekail Zain 贡献。

更新日志

• 修复 对于参数无效的元估计器，现在会显示默认的 HTML 表示。#24015 由 Thomas Fan 贡献。

• 修复 对于在 1.1 版本中后端已更改的估计器和函数，添加对 F 连续数组的支持。#23990 由 Julien Jerphanion 贡献。

• 修复 现在提供适用于 MacOS 10.9 及更高版本的 Wheels。#23833 由 Thomas Fan 贡献。

sklearn.base

• 修复 base.BaseEstimator 类的 get_params 方法现在支持具有 get_params 方法的 type 类型参数的估计器。#24017 由 Henry Sorsky 贡献。

sklearn.cluster

• 修复 修复了 cluster.Birch 中的一个错误，该错误可能在数据集存在重复项时拆分节点时触发错误。#23395 由 Jérémie du Boisberranger 贡献。

sklearn.feature_selection

• 修复 当估计器是 linear_model.ElasticNet 或 l1_ratio 等于 1 的 linear_model.ElasticNetCV 或 linear_model.LassoCV 时，feature_selection.SelectFromModel 默认选择阈值为 1e-5。#23636 由 Hao Chun Chang 贡献。

sklearn.impute

• 修复 当 dtype 为对象时，impute.SimpleImputer 在 transform 中使用 fit 中看到的 dtype。#22063 由 Thomas Fan 贡献。

sklearn.linear_model

• 修复 在验证 Gram 矩阵（由用户传递或预计算）时使用对 dtype 敏感的容差。#22059 由 Malte S. Kurz 贡献。

• 修复 修复了 linear_model.LogisticRegression 在 solver="newton-cg"、fit_intercept=True 和单个特征的情况下出现的错误。#23608 由 Tom Dupre la Tour 贡献。

sklearn.manifold

• 修复 manifold.TSNE 现在在拟合时，如果 perplexity>=n_samples，会抛出 ValueError，以确保算法的数学正确性。#10805 由 Mathias Andersen 贡献，#23471 由 Meekail Zain 贡献。

sklearn.metrics

• 修复 修复了 metrics.coverage_error 针对一维数组输入的错误消息。#23548 由 Hao Chun Chang 贡献。

sklearn.preprocessing

• 修复 preprocessing.OrdinalEncoder.inverse_transform 现在正确处理 unknown_value 或 encoded_missing_value 为 nan 的用例。#24087 由 Thomas Fan 贡献。

sklearn.tree

• 修复 修复了 tree.DecisionTreeRegressor 和 tree.DecisionTreeClassifier 在拟合期间无效内存访问的错误。#23273 由 Thomas Fan 贡献。

版本 1.1.1

2022 年 5 月

更新日志

• 改进 在未导入实验性标志的情况下导入 model_selection.HalvingGridSearchCV、model_selection.HalvingRandomSearchCV 或 impute.IterativeImputer 时，错误消息得到了改进。#23194 由 Thomas Fan 贡献。

• 改进 在 doc/conf.py 中添加了一个扩展，用于自动生成处理 NaN 值的估计器列表。#23198 由 Lise Kleiber、Zhehao Liu 和 Chiara Marmo 贡献。

sklearn.datasets

• 修复 通过不传递 timeout 参数，避免在 datasets.fetch_openml 中出现超时。#23358 由 Loïc Estève 贡献。

sklearn.decomposition

• 修复 避免在 n_samples == n_components 时 decomposition.IncrementalPCA 中出现虚假警告。#23264 由 Lucy Liu 贡献。

sklearn.feature_selection

• 修复 feature_selection.SelectFromModel 的 partial_fit 方法现在对 max_features 和 feature_names_in 参数进行验证。#23299 由 Long Bao 贡献。

sklearn.metrics

• 修复 修复了 metrics.precision_recall_curve 以计算 100% 召回率下的精确率-召回率。精确率-召回率曲线现在显示了始终预测正类的分类器对应的最后一个点：召回率=100% 且精确率=类别平衡。#23214 由 Stéphane Collot 和 Max Baak 贡献。

sklearn.preprocessing

• 修复 degree 为 0 的 preprocessing.PolynomialFeatures 在 include_bias 设置为 False 时将引发错误，并在 include_bias 设置为 True 时输出单个常数数组。#23370 由 Zhehao Liu 贡献。

sklearn.tree

• 修复 修复了 tree.DecisionTreeClassifier、tree.DecisionTreeRegressor、ensemble.RandomForestClassifier、ensemble.RandomForestRegressor、ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 在低基数特征方面的性能退化问题。#23410 由 Loïc Estève 贡献。

sklearn.utils

• 修复 utils.class_weight.compute_sample_weight 现在可与稀疏 y 一起使用。#23115 由 kernc 贡献。

版本 1.1.0

2022 年 5 月

最低依赖

scikit-learn 1.1.0 版本要求 Python 3.8+、NumPy 1.17.3+ 和 SciPy 1.3.2+。可选的最低依赖是 Matplotlib 3.1.2+。

模型变更

以下估计器和函数，在使用相同数据和参数进行拟合时，可能会产生与之前版本不同的模型。这通常是由于建模逻辑（错误修复或改进）或随机抽样过程的变化所致。

• 效率 cluster.KMeans 现在默认使用 algorithm="lloyd" 而不是 algorithm="auto"（后者等同于 algorithm="elkan"）。Lloyd 算法和 Elkan 算法收敛到相同的解（存在数值舍入误差），但通常 Lloyd 算法使用的内存少得多，并且通常更快。

• 效率 由于采用了新的排序算法来寻找最佳分裂点，tree.DecisionTreeClassifier、tree.DecisionTreeRegressor、ensemble.RandomForestClassifier、ensemble.RandomForestRegressor、ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 的拟合速度平均比以前的版本快 15%。由于对具有相同判据值的拆分处理方式不同，模型可能会有所不同：新旧排序算法都是不稳定的排序算法。#22868 由 Thomas Fan 贡献。

• 修复 cluster.SpectralClustering 和 manifold.SpectralEmbedding 的特征向量初始化现在在使用 'amg' 或 'lobpcg' 求解器时从高斯分布中采样。此更改提高了求解器的数值稳定性，但可能导致模型不同。

• 修复 feature_selection.f_regression 和 feature_selection.r_regression 现在默认返回有限的分数，而不是在某些极端情况下返回 np.nan 和 np.inf。如果您确实想获取非有限值并保留旧行为，可以使用 force_finite=False。

• 修复 当 Pandas 的 DataFrame（所有列均为非字符串，例如 MultiIndex）传递给估计器时，不再发出警告。估计器将继续忽略非字符串列的 DataFrame 中的列名。为了定义 feature_names_in_，所有列必须是字符串。#22410 由 Thomas Fan 贡献。

• 修复 preprocessing.KBinsDiscretizer 略微改变了 bin 边缘的处理方式，这可能导致相同数据产生不同的编码。

• 修复 calibration.calibration_curve 略微改变了 bin 边缘的处理方式，这可能导致相同数据产生不同的输出曲线。

• 修复 discriminant_analysis.LinearDiscriminantAnalysis 现在使用正确的方差缩放系数，这可能导致模型行为不同。

• 修复 feature_selection.SelectFromModel.fit 和 feature_selection.SelectFromModel.partial_fit 现在可以在 prefit=True 的情况下调用。estimators_ 将是当 prefit=True 时 estimator 的深拷贝。#23271 由 Guillaume Lemaitre 贡献。

更新日志

• 效率 用于密集 float64 数据集的成对距离缩减的底层例程已重构。以下函数和估计器现在在硬件可伸缩性和加速方面获得了改进的性能

  • sklearn.metrics.pairwise_distances_argmin

  • sklearn.metrics.pairwise_distances_argmin_min

  • sklearn.cluster.AffinityPropagation

  • sklearn.cluster.Birch

  • sklearn.cluster.MeanShift

  • sklearn.cluster.OPTICS

  • sklearn.cluster.SpectralClustering

  • sklearn.feature_selection.mutual_info_regression

  • sklearn.neighbors.KNeighborsClassifier

  • sklearn.neighbors.KNeighborsRegressor

  • sklearn.neighbors.RadiusNeighborsClassifier

  • sklearn.neighbors.RadiusNeighborsRegressor

  • sklearn.neighbors.LocalOutlierFactor

  • sklearn.neighbors.NearestNeighbors

  • sklearn.manifold.Isomap

  • sklearn.manifold.LocallyLinearEmbedding

  • sklearn.manifold.TSNE

  • sklearn.manifold.trustworthiness

  • sklearn.semi_supervised.LabelPropagation

  • sklearn.semi_supervised.LabelSpreading

  例如，在笔记本电脑上，sklearn.neighbors.NearestNeighbors.kneighbors 和 sklearn.neighbors.NearestNeighbors.radius_neighbors 分别比以前快 20 倍和 5 倍。

  此外，这两种算法的实现现在适用于多核机器，使其可用于包含数百万个样本的数据集。

  #21987、#22064、#22065、#22288 和 #22320 由 Julien Jerphanion 贡献。

• 改进 当某些输入包含意外的 NaN 或无穷大值时，所有 scikit-learn 模型现在都会生成更具信息量的错误消息。特别是，该消息包含输入名称（“X”、“y”或“sample_weight”），并且如果在 X 中发现意外的 NaN 值，错误消息会建议潜在的解决方案。#21219 由 Olivier Grisel 贡献。

• 改进 当使用 set_params 设置无效超参数时，所有 scikit-learn 模型现在都会生成更具信息量的错误消息。#21542 由 Olivier Grisel 贡献。

• 改进 删除了 HTML 表示中的随机唯一标识符。通过此更改，只要按相同顺序运行单元格，Jupyter notebook 即可重现。#23098 由 Thomas Fan 贡献。

• 修复 non_deterministic 标签设置为 True 的估计器将跳过 check_methods_sample_order_invariance 和 check_methods_subset_invariance 测试。#22318 由 Zhehao Liu 贡献。

• API 变更 通过 loss 参数使用对数损失（又称二项式或多项式偏差）的选项变得更加一致。首选方法是将值设置为 "log_loss"。旧的选项名称仍然有效并产生相同的模型，但已被弃用，并将在 1.3 版本中移除。

  • 对于 ensemble.GradientBoostingClassifier，loss 参数名称“deviance”已被弃用，取而代之的是新名称“log_loss”，后者现在是默认值。#23036 由 Christian Lorentzen 贡献。

  • 对于 ensemble.HistGradientBoostingClassifier，loss 参数名称“auto”、“binary_crossentropy”和“categorical_crossentropy”已被弃用，取而代之的是新名称“log_loss”，后者现在是默认值。#23040 由 Christian Lorentzen 贡献。

  • 对于 linear_model.SGDClassifier，loss 参数名称“log”已被弃用，取而代之的是新名称“log_loss”。#23046 由 Christian Lorentzen 贡献。

• API 变更 估计器的富 HTML 表示现在在 Jupyter notebook 中默认启用。可以通过在 sklearn.set_config 中设置 display='text' 来禁用。#22856 由 Jérémie du Boisberranger 贡献。

sklearn.calibration

• 改进 calibration.calibration_curve 接受参数 pos_label 以指定正类别标签。#21032 由 Guillaume Lemaitre 贡献。

• 改进 calibration.CalibratedClassifierCV.fit 现在支持传递 fit_params，这些参数被路由到 base_estimator。#18170 由 Benjamin Bossan 贡献。

• 改进 calibration.CalibrationDisplay 接受参数 pos_label 以将此信息添加到绘图中。#21038 由 Guillaume Lemaitre 贡献。

• 修复 calibration.calibration_curve 现在更一致地处理 bin 边缘。#14975 由 Andreas Müller 和 #22526 由 Meekail Zain 贡献。

• API 变更 calibration.calibration_curve 的 normalize 参数现已弃用，并将在 1.3 版本中移除。建议为 y_prob 使用适当的概率（即分类器的 predict_proba 正类别）。#23095 由 Jordan Silke 贡献。

sklearn.cluster

• 主要功能 cluster.BisectingKMeans 引入了二分 K-Means 算法。#20031 由 Michal Krawczyk、Tom Dupre la Tour 和 Jérémie du Boisberranger 贡献。

• 改进 cluster.SpectralClustering 和 cluster.spectral_clustering 现在包含了新的 'cluster_qr' 方法，该方法在嵌入空间中对样本进行聚类，作为现有 'kmeans' 和 'discrete' 方法的替代。更多详情请参阅 cluster.spectral_clustering。#21148 由 Andrew Knyazev 贡献。

• 改进 将 get_feature_names_out 添加到 cluster.Birch、cluster.FeatureAgglomeration、cluster.KMeans、cluster.MiniBatchKMeans 中。#22255 由 Thomas Fan 贡献。

• 改进 cluster.SpectralClustering 现在在传递无效的 n_clusters、n_init、gamma、n_neighbors、eigen_tol 或 degree 值时会抛出一致的错误消息。#21881 由 Hugo Vassard 贡献。

• 改进 cluster.AffinityPropagation 现在即使模型尚未完全收敛，如果存在聚类中心和标签，也会返回它们。在返回这些可能退化的聚类中心和标签时，会显示一条新的警告消息。如果没有构建任何聚类中心，则聚类中心仍然是空列表，标签设置为 -1，并显示原始警告消息。#22217 由 Meekail Zain 贡献。

• 效率 在 cluster.KMeans 中，默认的 algorithm 现在是 "lloyd"，这是完整的经典 EM 风格算法。"auto" 和 "full" 都已被弃用，并将在 1.3 版本中移除。它们现在是 "lloyd" 的别名。之前的默认值是 "auto"，它依赖于 Elkan 算法。Lloyd 算法比 Elkan 算法使用更少的内存，在许多数据集上更快，并且结果相同，因此进行了此更改。#21735 由 Aurélien Geron 贡献。

• 修复 cluster.KMeans 的 init 参数现在正确支持类数组输入和 NumPy 字符串标量。#22154 由 Thomas Fan 贡献。

sklearn.compose

• 修复 compose.ColumnTransformer 现在从 __init__ 和 set_params 方法中移除了验证错误。#22537 由 iofall 和 Arisa Y. 贡献。

• 修复 get_feature_names_out 功能在 compose.ColumnTransformer 中在列使用 slice 指定时损坏。此问题已在 #22775 和 #22913 中由 randomgeek78 修复。

sklearn.covariance

• 修复 covariance.GraphicalLassoCV 现在接受 NumPy 数组作为参数 alphas。#22493 由 Guillaume Lemaitre 贡献。

sklearn.cross_decomposition

• 改进 cross_decomposition.PLSRegression、cross_decomposition.PLSCanonical 和 cross_decomposition.CCA 的 inverse_transform 方法现在允许在给定 Y 参数时重建 X 目标。#19680 由 Robin Thibaut 贡献。

• 改进 将 get_feature_names_out 添加到 cross_decomposition 模块中的所有转换器：cross_decomposition.CCA、cross_decomposition.PLSSVD、cross_decomposition.PLSRegression 和 cross_decomposition.PLSCanonical。#22119 由 Thomas Fan 贡献。

• 修复 cross_decomposition.CCA、cross_decomposition.PLSCanonical 和 cross_decomposition.PLSRegression 的 coef_ 属性的形状将在 1.3 版本中从 (n_features, n_targets) 更改为 (n_targets, n_features)，以与其他线性模型保持一致，并使其适用于需要特定 coef_ 形状的接口（例如 feature_selection.RFE）。#22016 由 Guillaume Lemaitre 贡献。

• API 变更 为 cross_decomposition.PLSCanonical、cross_decomposition.PLSRegression 和 cross_decomposition.CCA 添加了已拟合属性 intercept_。predict 方法确实等同于 Y = X @ coef_ + intercept_。#22015 由 Guillaume Lemaitre 贡献。

sklearn.datasets

• 功能 datasets.load_files 现在接受基于文件扩展名的忽略列表和允许列表。#19747 由 Tony Attalla 和 #22498 由 Meekail Zain 贡献。

• 改进 datasets.make_swiss_roll 现在支持可选参数 hole；当设置为 True 时，它返回 swiss-hole 数据集。#21482 由 Sebastian Pujalte 贡献。

• 改进 datasets.make_blobs 在生成过程中不再复制数据，因此使用更少的内存。#22412 由 Zhehao Liu 贡献。

• 改进 datasets.load_diabetes 现在接受参数 scaled，以允许加载未缩放的数据。此数据集的缩放版本现在根据未缩放数据计算，并且与以前的版本相比可能产生略有不同的结果（在 1e-4 的绝对容差范围内）。#16605 由 Mandy Gu 贡献。

• 改进 datasets.fetch_openml 现在有两个可选参数 n_retries 和 delay。默认情况下，datasets.fetch_openml 在网络故障时会重试 3 次，每次重试之间有延迟。#21901 由 Rileran 贡献。

• 修复 datasets.fetch_covtype 现在是并发安全的：数据在移动到数据目录之前会下载到临时目录。#23113 由 Ilion Beyst 贡献。

• API 变更 datasets.make_sparse_coded_signal 现在接受参数 data_transposed 以明确指定矩阵 X 的形状。默认行为 True 是返回一个转置矩阵 X，其形状为 (n_features, n_samples)。默认值将在 1.3 版本中更改为 False。 #21425 由 Gabriel Stefanini Vicente。

sklearn.decomposition

• 主要功能 添加了新的估计器 decomposition.MiniBatchNMF。它是非负矩阵分解的一个更快但精度较低的版本，更适用于大型数据集。 #16948 由 Chiara Marmo、Patricio Cerda 和 Jérémie du Boisberranger。

• 改进 decomposition.dict_learning、decomposition.dict_learning_online 和 decomposition.sparse_encode 保留 dtype 为 numpy.float32。 decomposition.DictionaryLearning、decomposition.MiniBatchDictionaryLearning 和 decomposition.SparseCoder 保留 dtype 为 numpy.float32。 #22002 由 Takeshi Oura。

• 改进 decomposition.PCA 暴露了一个参数 n_oversamples，以调整 utils.extmath.randomized_svd 并在特征数量很大时获得准确的结果。 #21109 由 Smile。

• 改进 decomposition.MiniBatchDictionaryLearning 和 decomposition.dict_learning_online 已经过重构，现在具有基于字典或目标函数微小变化的停止准则，由新的 max_iter、tol 和 max_no_improvement 参数控制。此外，它们的一些参数和属性已被弃用。

  • 两者的 n_iter 参数已被弃用。请改用 max_iter。

  • decomposition.dict_learning_online 的 iter_offset、return_inner_stats、inner_stats 和 return_n_iter 参数用于内部目的，并且已被弃用。

  • decomposition.MiniBatchDictionaryLearning 的 inner_stats_、iter_offset_ 和 random_state_ 属性用于内部目的，并且已被弃用。

  • 两者的 batch_size 参数的默认值将在 1.3 版本中从 3 更改为 256。

  #18975 由 Jérémie du Boisberranger。

• 改进 decomposition.SparsePCA 和 decomposition.MiniBatchSparsePCA 保留 dtype 为 numpy.float32。 #22111 由 Takeshi Oura。

• 改进 decomposition.TruncatedSVD 现在允许 n_components == n_features，如果 algorithm='randomized'。 #22181 由 Zach Deane-Mayer。

• 改进 为 decomposition 模块中的所有转换器添加了 get_feature_names_out：decomposition.DictionaryLearning、decomposition.FactorAnalysis、decomposition.FastICA、decomposition.IncrementalPCA、decomposition.KernelPCA、decomposition.LatentDirichletAllocation、decomposition.MiniBatchDictionaryLearning、decomposition.MiniBatchSparsePCA、decomposition.NMF、decomposition.PCA、decomposition.SparsePCA 和 decomposition.TruncatedSVD。 #21334 由 Thomas Fan。

• 改进 decomposition.TruncatedSVD 暴露了参数 n_oversamples 和 power_iteration_normalizer，以调整 utils.extmath.randomized_svd 并在特征数量大、矩阵秩高或矩阵其他特性导致低秩近似困难时获得准确的结果。 #21705 由 Jay S. Stanley III。

• 改进 decomposition.PCA 暴露了参数 power_iteration_normalizer，以调整 utils.extmath.randomized_svd 并在低秩近似困难时获得更准确的结果。 #21705 由 Jay S. Stanley III。

• 修复 decomposition.FastICA 现在在 fit 中验证输入参数，而不是在 __init__ 中。 #21432 由 Hannah Bohle 和 Maren Westermann。

• 修复 decomposition.FastICA 现在接受 np.float32 数据，无需静默向上转型。dtype 由 fit 和 fit_transform 保留，并且主要的拟合属性使用与训练数据相同精度的 dtype。 #22806 由 Jihane Bennis 和 Olivier Grisel。

• 修复 decomposition.FactorAnalysis 现在在 fit 中验证输入参数，而不是在 __init__ 中。 #21713 由 Haya 和 Krum Arnaudov。

• 修复 decomposition.KernelPCA 现在在 fit 中验证输入参数，而不是在 __init__ 中。 #21567 由 Maggie Chege。

• 修复 decomposition.PCA 和 decomposition.IncrementalPCA 在 self.noise_variance_ 为零时，使用协方差矩阵的逆更安全地计算精度。 #22300 由 Meekail Zain 和 #15948 由 @sysuresh。

• 修复 显著降低了调用 fit 或 fit_transform 时 decomposition.PCA 的峰值内存使用。 #22553 由 Meekail Zain。

• API 变更 decomposition.FastICA 现在支持用于白化的单位方差。其 whiten 参数的默认值将在 1.3 版本中从 True（其行为类似于 'arbitrary-variance'）更改为 'unit-variance'。 #19490 由 Facundo Ferrin 和 Julien Jerphanion。

sklearn.discriminant_analysis

• 改进 为 discriminant_analysis.LinearDiscriminantAnalysis 添加了 get_feature_names_out。 #22120 由 Thomas Fan。

• 修复 discriminant_analysis.LinearDiscriminantAnalysis 现在使用正确的方差缩放系数，这可能会导致不同的模型行为。 #15984 由 Okon Samuel 和 #22696 由 Meekail Zain。

sklearn.dummy

• 修复 dummy.DummyRegressor 在 fit 期间不再覆盖 constant 参数。 #22486 由 Thomas Fan。

sklearn.ensemble

• 主要功能 为 ensemble.HistGradientBoostingRegressor 添加了额外选项 loss="quantile" 用于分位数建模。分位数级别可以通过新参数 quantile 指定。 #21800 和 #20567 由 Christian Lorentzen。

• 效率 ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 的 fit 方法现在在非初始热启动运行时调用 utils.check_array 时带有参数 force_all_finite=False，因为之前已经检查过。 #22159 由 Geoffrey Paris。

• 改进 由于新的私有损失函数模块，对于二分类问题，特别是多分类问题，ensemble.HistGradientBoostingClassifier 速度更快。 #20811、#20567 和 #21814 由 Christian Lorentzen。

• 改进 在 ensemble.StackingClassifier 和 ensemble.StackingRegressor 中添加了对使用 cv="prefit" 的预拟合模型的支持。 #16748 由 Siqi He 和 #22215 由 Meekail Zain。

• 改进 ensemble.RandomForestClassifier 和 ensemble.ExtraTreesClassifier 具有新的 criterion="log_loss"，这等同于 criterion="entropy"。 #23047 由 Christian Lorentzen。

• 改进 为 ensemble.VotingClassifier、ensemble.VotingRegressor、ensemble.StackingClassifier 和 ensemble.StackingRegressor 添加了 get_feature_names_out。 #22695 和 #22697 由 Thomas Fan。

• 改进 ensemble.RandomTreesEmbedding 现在具有一个信息丰富的 get_feature_names_out 函数，其输出特征名称中包含树索引和叶索引。 #21762 由 Zhehao Liu 和 Thomas Fan。

• 效率 在多进程设置中，拟合 ensemble.RandomForestClassifier、ensemble.RandomForestRegressor、ensemble.ExtraTreesClassifier、ensemble.ExtraTreesRegressor 和 ensemble.RandomTreesEmbedding 现在更快，尤其是在启用 warm_start 后进行后续拟合时。 #22106 由 Pieter Gijsbers。

• 修复 更改 ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 中的参数 validation_fraction，以便如果传入的参数不是浮点数，则会引发错误。 #21632 由 Genesis Valencia。

• 修复 移除了 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 中潜在的 CPU 过度订阅源，当 CPU 资源使用受限时（例如在 Docker 容器中使用 cgroups 配额）。 #22566 由 Jérémie du Boisberranger。

• 修复 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 在使用非默认 scoring 参数并启用 early_stopping 的 pandas DataFrame 上进行拟合时，不再发出警告。 #22908 由 Thomas Fan。

• 修复 修复了 ensemble.StackingClassifier 和 ensemble.StackingRegressor 的 HTML 表示。 #23097 由 Thomas Fan。

• API 变更 ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 的属性 loss_ 已被弃用，并将在 1.3 版本中移除。 #23079 由 Christian Lorentzen。

• API 变更 将 max_features 的默认值对于 ensemble.RandomForestRegressor 更改为 1.0，对于 ensemble.RandomForestClassifier 更改为 "sqrt"。请注意，这些更改提供了与以前相同的拟合结果，但更易于理解。旧的默认值 "auto" 已被弃用，并将在 1.3 版本中移除。相同的更改也适用于 ensemble.ExtraTreesRegressor 和 ensemble.ExtraTreesClassifier。 #20803 由 Brian Sun。

• 效率 通过跳过重复的输入检查，提高了 ensemble.IsolationForest 的运行时性能。 #23149 由 Zhehao Liu。

sklearn.feature_extraction

• 功能 feature_extraction.FeatureHasher 现在支持 PyPy。 #23023 由 Thomas Fan。

• 修复 feature_extraction.FeatureHasher 现在在 transform 中验证输入参数，而不是在 __init__ 中。 #21573 由 Hannah Bohle 和 Maren Westermann。

• 修复 feature_extraction.text.TfidfVectorizer 现在在 __init__ 时不再创建 feature_extraction.text.TfidfTransformer，符合我们的 API 要求。 #21832 由 Guillaume Lemaitre。

sklearn.feature_selection

• 功能 为 feature_selection.SequentialFeatureSelector 添加了自动模式。如果参数 n_features_to_select 为 'auto'，则选择特征直到分数改进不超过参数 tol。n_features_to_select 的默认值在 1.1 版本中从 None 更改为 'warn'，并将在 1.3 版本中变为 'auto'。None 和 'warn' 将在 1.3 版本中移除。 #20145 由 murata-yu。

• 功能 为 feature_selection.SelectFromModel 的 max_features 参数添加了传递可调用对象的能力。还引入了新属性 max_features_，它在 fit 期间从 max_features 和数据中推断。如果 max_features 是一个整数，则 max_features_ = max_features。如果 max_features 是一个可调用对象，则 max_features_ = max_features(X)。 #22356 由 Meekail Zain。

• 改进 feature_selection.GenericUnivariateSelect 保留 float32 dtype。 #18482 由 Thierry Gameiro 和 Daniel Kharsa 以及 #22370 由 Meekail Zain。

• 改进 为 feature_selection.f_regression 和 feature_selection.r_regression 添加了参数 force_finite。该参数允许在特征或目标是常数，或特征与目标完全相关（仅适用于 F 统计量）的情况下，强制输出为有限值。 #17819 由 Juan Carlos Alfaro Jiménez。

• 效率 提高了使用布尔数组的 feature_selection.chi2 的运行时性能。 #22235 由 Thomas Fan。

• 效率 降低了 feature_selection.chi2 的内存使用。 #21837 由 Louis Wagner。

sklearn.gaussian_process

• 修复 gaussian_process.GaussianProcessRegressor 的 predict 和 sample_y 方法现在在单目标和多目标情况下，以及在 normalize_y=False 和 normalize_y=True 两种情况下，均返回正确形状的数组。 #22199 由 Guillaume Lemaitre、Aidar Shakerimoff 和 Tenavi Nakamura-Zimmerer。

• 修复 如果通过 kernel 传入 CompoundKernel，gaussian_process.GaussianProcessClassifier 则会引发更具信息性的错误。 #22223 由 MarcoM。

sklearn.impute

• 改进 impute.SimpleImputer 现在在训练集中由于缺少任何观测值而跳过特征时，会发出带有特征名称的警告。 #21617 由 Christian Ritter。

• 改进 为 impute.SimpleImputer 添加了对 pd.NA 的支持。 #21114 由 Ying Xiong。

• 改进 为 impute.SimpleImputer、impute.KNNImputer、impute.IterativeImputer 和 impute.MissingIndicator 添加了 get_feature_names_out。 #21078 由 Thomas Fan。

• API 变更 impute.SimpleImputer 的 verbose 参数已被弃用。在移除空列时将始终发出警告。 #21448 由 Oleh Kozynets 和 Christian Ritter。

sklearn.inspection

• 功能 通过使用 inspection.DecisionBoundaryDisplay.from_estimator 方法，添加了一个用于绘制分类器决策边界的显示。 #16061 由 Thomas Fan。

• 改进 在 inspection.PartialDependenceDisplay.from_estimator 中，允许 kind 接受字符串列表，以指定为每个特征交互绘制的图表类型。 #19438 由 Guillaume Lemaitre。

• 改进 inspection.PartialDependenceDisplay.from_estimator、inspection.PartialDependenceDisplay.plot 和 inspection.plot_partial_dependence 现在支持通过设置参数 centered 来绘制中心化个体条件期望 (cICE) 和中心化 PDP 曲线。 #18310 由 Johannes Elfner 和 Guillaume Lemaitre。

sklearn.isotonic

• 改进 为 isotonic.IsotonicRegression 添加了 get_feature_names_out。 #22249 由 Thomas Fan。

sklearn.kernel_approximation

• 改进 为 kernel_approximation.AdditiveChi2Sampler、kernel_approximation.Nystroem、kernel_approximation.PolynomialCountSketch、kernel_approximation.RBFSampler 和 kernel_approximation.SkewedChi2Sampler 添加了 get_feature_names_out。 #22137 和 #22694 由 Thomas Fan。

sklearn.linear_model

• 功能 linear_model.ElasticNet、linear_model.ElasticNetCV、linear_model.Lasso 和 linear_model.LassoCV 支持稀疏输入 X 的 sample_weight。 #22808 由 Christian Lorentzen。

• 功能 带有 solver="lsqr" 的 linear_model.Ridge 现在支持用 fit_intercept=True 拟合稀疏输入。 #22950 由 Christian Lorentzen。

• 改进 linear_model.QuantileRegressor 支持基于高位解算器的稀疏输入。 #21086 由 Venkatachalam Natchiappan。此外，这些解算器现在从一开始就使用 CSC 矩阵，这加快了拟合速度。 #22206 由 Christian Lorentzen。

• 改进 由于新的私有损失函数模块，对于二分类问题，特别是多分类问题，linear_model.LogisticRegression 对于 solvers="lbfgs" 和 solver="newton-cg" 速度更快。在多分类情况下，这些解算器的内存消耗也已减少，因为目标现在是标签编码（映射到整数），而不是标签二值化（one-hot 编码）。类别越多，收益越大。 #21808、#20567 和 #21814 由 Christian Lorentzen。

• 改进 linear_model.GammaRegressor、linear_model.PoissonRegressor 和 linear_model.TweedieRegressor 对于 solvers="lbfgs" 速度更快。 #22548、#21808 和 #20567 由 Christian Lorentzen。

• 改进 将 linear_model.RANSACRegressor 中的参数 base_estimator 重命名为 estimator，以提高可读性和一致性。base_estimator 已被弃用，并将在 1.3 版本中移除。 #22062 由 Adrian Trujillo。

• 改进 linear_model.ElasticNet 和其他使用坐标下降的线性模型类在生成非有限参数权重时会显示错误消息。 #22148 由 Christian Ritter 和 Norbert Preining。

• 改进 linear_model.ElasticNet 和 linear_model.Lasso 在传入 l1_ratio、alpha、max_iter 和 tol 的无效值时，现在会引发一致的错误消息。 #22240 由 Arturo Amor。

• 改进 linear_model.BayesianRidge 和 linear_model.ARDRegression 现在保留 float32 dtype。 #9087 由 Arthur Imbert 和 #22525 由 Meekail Zain。

• 改进 linear_model.RidgeClassifier 现在支持多标签分类。 #19689 由 Guillaume Lemaitre。

• 改进 linear_model.RidgeCV 和 linear_model.RidgeClassifierCV 在传入 alphas 的无效值时，现在会引发一致的错误消息。 #21606 由 Arturo Amor。

• 改进 linear_model.Ridge 和 linear_model.RidgeClassifier 在传入 alpha、max_iter 和 tol 的无效值时，现在会引发一致的错误消息。 #21341 由 Arturo Amor。

• 改进 linear_model.orthogonal_mp_gram 保留 dtype 为 numpy.float32。 #22002 由 Takeshi Oura。

• 修复 linear_model.LassoLarsIC 现在正确计算 AIC 和 BIC。当 n_features > n_samples 且未提供噪声方差时，现在会引发错误。 #21481 由 Guillaume Lemaitre 和 Andrés Babino。

• 修复 linear_model.TheilSenRegressor 现在在 fit 中验证输入参数 max_subpopulation，而不是在 __init__ 中。 #21767 由 Maren Westermann。

• 修复 linear_model.ElasticNetCV 当 l1_ratio=0 时，现在会产生正确的警告。 #21724 由 Yar Khine Phyo。

• 修复 linear_model.LogisticRegression 和 linear_model.LogisticRegressionCV 现在设置 n_iter_ 属性的形状，使其符合文档字符串，并与在 one-vs-rest 设置中使用其他求解器时获得的形状一致。以前，它只记录每个二元子问题的最大迭代次数，而现在则记录所有迭代次数。 #21998 由 Olivier Grisel。

• 修复 linear_model.TweedieRegressor 的 family 属性不再在 __init__ 中进行验证。相反，此（私有）属性在 linear_model.GammaRegressor、linear_model.PoissonRegressor 和 linear_model.TweedieRegressor 中已被弃用，并将在 1.3 版本中移除。 #22548 由 Christian Lorentzen。

• 修复 在输入为稀疏数据时，linear_model.LinearRegression 的 coef_ 和 intercept_ 属性现在在存在样本权重的情况下得到正确计算。 #22891 由 Jérémie du Boisberranger。

• 修复 在输入为稀疏数据时，带有 solver="sparse_cg" 和 solver="lbfgs" 的 linear_model.Ridge 的 coef_ 和 intercept_ 属性现在在存在样本权重的情况下得到正确计算。 #22899 由 Jérémie du Boisberranger。

• 修复 linear_model.SGDRegressor 和 linear_model.SGDClassifier 当启用早期停止时，现在可以正确计算验证误差。 #23256 由 Zhehao Liu。

• API 变更 linear_model.LassoLarsIC 现在将 noise_variance 作为一个参数暴露出来，以提供噪声方差的估计。当 n_features > n_samples 且无法计算噪声方差的估计器时，这一点尤其重要。 #21481 由 Guillaume Lemaitre。

sklearn.manifold

• 功能 manifold.Isomap 现在通过 radius 参数支持基于半径的邻居。 #19794 由 Zhehao Liu。

• 改进 manifold.spectral_embedding 和 manifold.SpectralEmbedding 支持 np.float32 数据类型并保留此数据类型。 #21534 由 Andrew Knyazev 贡献。

• 改进 将 get_feature_names_out 添加到 manifold.Isomap 和 manifold.LocallyLinearEmbedding。 #22254 由 Thomas Fan 贡献。

• 改进 在 manifold.TSNE 构造函数中添加了 metric_params 参数，用于优化中使用的距离度量的额外参数。 #21805 由 Jeanne Dionisi 贡献，#22685 由 Meekail Zain 贡献。

• 改进 manifold.trustworthiness 如果 n_neighbours >= n_samples / 2 则会引发错误，以确保该函数得到正确支持。 #18832 由 Hong Shao Yang 贡献，#23033 由 Meekail Zain 贡献。

• 修复 manifold.spectral_embedding 现在在特征求解器 lobpcg 和 amg 中，使用高斯分布而非之前在 [0, 1] 上的均匀分布作为特征向量的随机初始近似值，以提高其数值稳定性。 #21565 由 Andrew Knyazev 贡献。

sklearn.metrics

• 新特性 metrics.r2_score 和 metrics.explained_variance_score 新增了一个 force_finite 参数。将此参数设置为 False 时，在完美预测或 y_true 为常数的情况下，将返回实际的非有限分数，而非目前默认返回的有限近似值（分别为 1.0 和 0.0）。 #17266 由 Sylvain Marié 贡献。

• 新特性 metrics.d2_pinball_score 和 metrics.d2_absolute_error_score 分别计算弹珠损失 (pinball loss) 和绝对误差的 \(D^2\) 回归分数。 metrics.d2_absolute_error_score 是 metrics.d2_pinball_score 的特例，固定了分位数参数 alpha=0.5，以便于使用和发现。\(D^2\) 分数是 r2_score 的推广，可以解释为解释的偏差 (deviance) 的比例。 #22118 由 Ohad Michel 贡献。

• 改进 metrics.top_k_accuracy_score 当 y_true 是二进制且 y_score 是二维时，会引发更友好的错误消息。 #22284 由 Thomas Fan 贡献。

• 改进 metrics.roc_auc_score 现在在多类别情况下，当 multiclass='ovr' 时支持 average=None，这将返回每个类别的分数。 #19158 由 Nicki Skafte 贡献。

• 改进 向 metrics.ConfusionMatrixDisplay.from_estimator metrics.ConfusionMatrixDisplay.from_predictions 和 metrics.ConfusionMatrixDisplay.plot 添加了 im_kw 参数。绘制混淆矩阵时，im_kw 参数会传递给 matplotlib.pyplot.imshow 调用。 #20753 由 Thomas Fan 贡献。

• 修复 metrics.silhouette_score 现在支持预计算距离的整数输入。 #22108 由 Thomas Fan 贡献。

• 修复 修复了 `metrics.normalized_mutual_info_score` 中的一个错误，该错误可能导致返回无界值。 #22635 由 Jérémie du Boisberranger 贡献。

• 修复 修复了当真实标签全为负值时 metrics.precision_recall_curve 和 metrics.average_precision_score 的问题。 #19085 由 Varun Agrawal 贡献。

• API 变更 metrics.SCORERS 现已弃用，并将在 1.3 版本中移除。请使用 metrics.get_scorer_names 来获取所有可用评分器的名称。 #22866 由 Adrin Jalali 贡献。

• API 变更 metrics.mean_absolute_percentage_error 的参数 sample_weight 和 multioutput 现在仅限关键字参数，符合 SLEP009。引入了弃用周期。 #21576 由 Paul-Emile Dugnat 贡献。

• API 变更 metrics.DistanceMetric 的 "wminkowski" 度量已弃用，并将在 1.3 版本中移除。现在，现有的 "minkowski" 度量接受一个可选的 w 参数作为权重。此次弃用旨在与 SciPy 1.8 约定保持一致。 #21873 由 Yar Khine Phyo 贡献。

• API 变更 metrics.DistanceMetric 已从 sklearn.neighbors 移动到 sklearn.metrics。为了向后兼容，使用 neighbors.DistanceMetric 进行导入仍然有效，但此别名将在 1.3 版本中移除。 #21177 由 Julien Jerphanion 贡献。

sklearn.mixture

• 改进 mixture.GaussianMixture 和 mixture.BayesianGaussianMixture 现在可以使用 k-means++ 和随机数据点进行初始化。 #20408 由 Gordon Walsh、Alberto Ceballos 和 Andres Rios 贡献。

• 修复 修复了一个错误，该错误通过取平方根的方式正确初始化 mixture.GaussianMixture 中的 precisions_cholesky_，前提是提供了 precisions_init。 #22058 由 Guillaume Lemaitre 贡献。

• 修复 mixture.GaussianMixture 现在更安全地标准化 weights_，防止在调用 mixture.GaussianMixture.sample 时 n_components=1 时出现舍入误差。 #23034 由 Meekail Zain 贡献。

sklearn.model_selection

• 改进 现在可以将 scoring="matthews_corrcoef" 传递给所有带有 scoring 参数的模型选择工具，以使用马修斯相关系数 (MCC)。 #22203 由 Olivier Grisel 贡献。

• 改进 当所有分割的拟合都失败时，在交叉验证期间会引发错误。类似地，当所有模型和所有分割的拟合都失败时，在网格搜索期间也会引发错误。 #21026 由 Loïc Estève 贡献。

• 修复 model_selection.GridSearchCV、model_selection.HalvingGridSearchCV 现在在 fit 方法中而不是在 __init__ 中验证输入参数。 #21880 由 Mrinal Tyagi 贡献。

• 修复 model_selection.learning_curve 现在支持回归器使用 partial_fit。 #22982 由 Thomas Fan 贡献。

sklearn.multiclass

• 改进 multiclass.OneVsRestClassifier 现在支持 verbose 参数，以便可以查看拟合进度。 #22508 由 Chris Combs 贡献。

• 修复 multiclass.OneVsOneClassifier.predict 当内部分类器只有 predict_proba 方法时，返回正确的预测。 #22604 由 Thomas Fan 贡献。

sklearn.neighbors

• 改进 将 get_feature_names_out 添加到 neighbors.RadiusNeighborsTransformer、neighbors.KNeighborsTransformer 和 neighbors.NeighborhoodComponentsAnalysis。 #22212 由 Meekail Zain 贡献。

• 修复 neighbors.KernelDensity 现在在 fit 方法中而不是在 __init__ 中验证输入参数。 #21430 由 Desislava Vasileva 和 Lucy Jimenez 贡献。

• 修复 neighbors.KNeighborsRegressor.predict 现在，如果 KNeighborsRegressor 最初使用传递给 weights 参数的可调用对象构造，则在给定类数组输入时可以正常工作。 #22687 由 Meekail Zain 贡献。

sklearn.neural_network

• 改进 neural_network.MLPClassifier 和 neural_network.MLPRegressor 当优化器产生非有限参数权重时，会显示错误消息。 #22150 由 Christian Ritter 和 Norbert Preining 贡献。

• 改进 将 get_feature_names_out 添加到 neural_network.BernoulliRBM。 #22248 由 Thomas Fan 贡献。

sklearn.pipeline

• 改进 在 pipeline.FeatureUnion 中添加了对“passthrough”的支持。将转换器设置为“passthrough”将使特征保持不变地通过。 #20860 由 Shubhraneel Pal 贡献。

• 修复 pipeline.Pipeline 现在不再在 __init__ 中验证超参数，而是在 .fit() 中验证。 #21888 由 iofall 和 Arisa Y. 贡献。

• 修复 pipeline.FeatureUnion 不再在 __init__ 中验证超参数。验证现在在 .fit() 和 .fit_transform() 中处理。 #21954 由 iofall 和 Arisa Y. 贡献。

• 修复 在 pipeline.FeatureUnion 中定义了 __sklearn_is_fitted__，以使用 utils.validation.check_is_fitted 返回正确结果。 #22953 由 randomgeek78 贡献。

sklearn.preprocessing

• 新特性 preprocessing.OneHotEncoder 现在支持将不常见类别分组为一个单独的特征。通过指定如何使用 min_frequency 或 max_categories 选择不常见类别来启用不常见类别的分组。 #16018 由 Thomas Fan 贡献。

• 改进 向 preprocessing.KBinsDiscretizer 添加了一个 subsample 参数。这允许指定在拟合模型时使用的最大样本数。此选项仅在 strategy 设置为 quantile 时可用。 #21445 由 Felipe Bidu 和 Amanda Dsouza 贡献。

• 改进 向 preprocessing.OrdinalEncoder 添加了 encoded_missing_value 以配置缺失数据的编码值。 #21988 由 Thomas Fan 贡献。

• 改进 向 preprocessing.FunctionTransformer 添加了 get_feature_names_out 方法和一个新参数 feature_names_out。您可以将 feature_names_out 设置为 ‘one-to-one’，以将输入特征名称用作输出特征名称，或者将其设置为一个返回输出特征名称的可调用对象。这在转换器改变特征数量时特别有用。如果 feature_names_out 为 None（默认值），则 get_output_feature_names 未定义。 #21569 由 Aurélien Geron 贡献。

• 改进 将 get_feature_names_out 添加到 preprocessing.Normalizer、preprocessing.KernelCenterer、preprocessing.OrdinalEncoder 和 preprocessing.Binarizer。 #21079 由 Thomas Fan 贡献。

• 修复 preprocessing.PowerTransformer 当使用 method='yeo-johnson' 时，在寻找最优 lambda 时，更好地支持显著非高斯数据。 #20653 由 Thomas Fan 贡献。

• 修复 preprocessing.LabelBinarizer 现在在 fit 方法中而不是在 __init__ 中验证输入参数。 #21434 由 Krum Arnaudov 贡献。

• 修复 preprocessing.FunctionTransformer 当 check_inverse=True 时，如果输入数据类型混合，现在会提供更具信息性的错误消息。 #19916 由 Zhehao Liu 贡献。

• 修复 preprocessing.KBinsDiscretizer 现在更一致地处理 bin 边界。 #14975 由 Andreas Müller 贡献，#22526 由 Meekail Zain 贡献。

• 修复 当 encode="ordinal" 时，添加了对 preprocessing.KBinsDiscretizer.get_feature_names_out 的支持。 #22735 由 Thomas Fan 贡献。

sklearn.random_projection

• 改进 向 random_projection.GaussianRandomProjection 和 random_projection.SparseRandomProjection 添加了 inverse_transform 方法和 compute_inverse_transform 参数。当此参数设置为 True 时，将在 fit 期间计算组件的伪逆，并存储为 inverse_components_。 #21701 由 Aurélien Geron 贡献。

• 改进 random_projection.SparseRandomProjection 和 random_projection.GaussianRandomProjection 保留 numpy.float32 的数据类型。 #22114 由 Takeshi Oura 贡献。

• 改进 将 get_feature_names_out 添加到 sklearn.random_projection 模块中的所有转换器中：random_projection.GaussianRandomProjection 和 random_projection.SparseRandomProjection。 #21330 由 Loïc Estève 贡献。

sklearn.svm

• 改进 svm.OneClassSVM、svm.NuSVC、svm.NuSVR、svm.SVC 和 svm.SVR 现在公开了 n_iter_，即 libsvm 优化例程的迭代次数。 #21408 由 Juan Martín Loyola 贡献。

• 改进 svm.SVR、svm.SVC、svm.NuSVR、svm.OneClassSVM、svm.NuSVC 现在当对偶间隙估计产生非有限参数权重时，会引发错误。 #22149 由 Christian Ritter 和 Norbert Preining 贡献。

• 修复 svm.NuSVC、svm.NuSVR、svm.SVC、svm.SVR、svm.OneClassSVM 现在在 fit 方法中而不是在 __init__ 中验证输入参数。 #21436 由 Haidar Almubarak 贡献。

sklearn.tree

• 改进 tree.DecisionTreeClassifier 和 tree.ExtraTreeClassifier 新增了 criterion="log_loss"，其等价于 criterion="entropy"。 #23047 由 Christian Lorentzen 贡献。

• 修复 修复了 tree.DecisionTreeRegressor 中泊松分裂准则的一个错误。 #22191 由 Christian Lorentzen 贡献。

• API 变更 将 tree.ExtraTreeRegressor 的 max_features 默认值更改为 1.0，将 tree.ExtraTreeClassifier 的 max_features 默认值更改为 "sqrt"，这不会改变拟合结果。原始默认值 "auto" 已弃用，并将在 1.3 版本中移除。对于 tree.DecisionTreeClassifier 和 tree.DecisionTreeRegressor，将 max_features 设置为 "auto" 也已弃用。 #22476 由 Zhehao Liu 贡献。

sklearn.utils

• 改进 utils.check_array 和 utils.multiclass.type_of_target 现在接受 input_name 参数，以便在传入无效输入数据（例如包含 NaN 或无限值）时使错误消息更具信息性。 #21219 由 Olivier Grisel 贡献。

• 改进 utils.check_array 当传入包含 pd.NA 的 Float32 或 Float64 pandas 扩展数组时，返回一个带有 np.nan 的浮点 ndarray。 #21278 由 Thomas Fan 贡献。

• 改进 utils.estimator_html_repr 当在不受信任的 Jupyter Notebook 中运行时，会显示更具帮助性的错误消息。 #21316 由 Thomas Fan 贡献。

• 改进 utils.estimator_html_repr 在 HTML 表示的左上角显示一个箭头，以指示元素是可点击的。 #21298 由 Thomas Fan 贡献。

• 改进 utils.check_array 当传入包含混合数据类型的 pandas DataFrame 时，配合 dtype=None 会返回数值数组。当 DataFrame 包含混合数据类型时，dtype="numeric" 也会更好地推断数据类型。 #22237 由 Thomas Fan 贡献。

• 改进 utils.check_scalar 现在在显示类型时有更友好的消息。 #22218 由 Thomas Fan 贡献。

• 修复 更改了 utils.check_X_y 在 `y` 为 `None` 时引发的 ValidationError 错误消息，使其与 check_requires_y_none 估计器检查兼容。 #22578 由 Claudio Salvatore Arcidiacono 贡献。

• 修复 utils.class_weight.compute_class_weight 现在仅要求 `y` 中的所有类别在 class_weight 中都有权重。当 `y` 中存在某个类别但 class_weight 中没有时，仍会引发错误。 #22595 由 Thomas Fan 贡献。

• 修复 utils.estimator_html_repr 对嵌套的元估计器 (meta-estimators) 进行了改进的可视化。 #21310 由 Thomas Fan 贡献。

• 修复 utils.check_scalar 当 include_boundaries={"left", "right"} 且边界未设置时，会引发错误。 #22027 由 Marie Lanternier 贡献。

• 修复 utils.metaestimators.available_if 正确返回一个可被序列化 (pickled) 的绑定方法。 #23077 由 Thomas Fan 贡献。

• API 变更 utils.estimator_checks.check_estimator 的参数现在命名为 estimator（之前的名称是 Estimator）。 #22188 由 Mathurin Massias 贡献。

• API 变更 utils.metaestimators.if_delegate_has_method 已弃用，并将在 1.3 版本中移除。请改用 utils.metaestimators.available_if。 #22830 由 Jérémie du Boisberranger 贡献。

代码和文档贡献者

感谢自 1.0 版本以来为项目维护和改进做出贡献的所有人，包括：

2357juan, Abhishek Gupta, adamgonzo, Adam Li, adijohar, Aditya Kumawat, Aditya Raghuwanshi, Aditya Singh, Adrian Trujillo Duron, Adrin Jalali, ahmadjubair33, AJ Druck, aj-white, Alan Peixinho, Alberto Mario Ceballos-Arroyo, Alek Lefebvre, Alex, Alexandr, Alexandre Gramfort, alexanmv, almeidayoel, Amanda Dsouza, Aman Sharma, Amar pratap singh, Amit, amrcode, András Simon, Andreas Grivas, Andreas Mueller, Andrew Knyazev, Andriy, Angus L’Herrou, Ankit Sharma, Anne Ducout, Arisa, Arth, arthurmello, Arturo Amor, ArturoAmor, Atharva Patil, aufarkari, Aurélien Geron, avm19, Ayan Bag, baam, Bardiya Ak, Behrouz B, Ben3940, Benjamin Bossan, Bharat Raghunathan, Bijil Subhash, bmreiniger, Brandon Truth, Brenden Kadota, Brian Sun, cdrig, Chalmer Lowe, Chiara Marmo, Chitteti Srinath Reddy, Chloe-Agathe Azencott, Christian Lorentzen, Christian Ritter, christopherlim98, Christoph T. Weidemann, Christos Aridas, Claudio Salvatore Arcidiacono, combscCode, Daniela Fernandes, darioka, Darren Nguyen, Dave Eargle, David Gilbertson, David Poznik, Dea María Léon, Dennis Osei, DessyVV, Dev514, Dimitri Papadopoulos Orfanos, Diwakar Gupta, Dr. Felix M. Riese, drskd, Emiko Sano, Emmanouil Gionanidis, EricEllwanger, Erich Schubert, Eric Larson, Eric Ndirangu, ErmolaevPA, Estefania Barreto-Ojeda, eyast, Fatima GASMI, Federico Luna, Felix Glushchenkov, fkaren27, Fortune Uwha, FPGAwesome, francoisgoupil, Frans Larsson, ftorres16, Gabor Berei, Gabor Kertesz, Gabriel Stefanini Vicente, Gabriel S Vicente, Gael Varoquaux, GAURAV CHOUDHARY, Gauthier I, genvalen, Geoffrey-Paris, Giancarlo Pablo, glennfrutiz, gpapadok, Guillaume Lemaitre, Guillermo Tomás Fernández Martín, Gustavo Oliveira, Haidar Almubarak, Hannah Bohle, Hansin Ahuja, Haoyin Xu, Haya, Helder Geovane Gomes de Lima, henrymooresc, Hideaki Imamura, Himanshu Kumar, Hind-M, hmasdev, hvassard, i-aki-y, iasoon, Inclusive Coding Bot, Ingela, iofall, Ishan Kumar, Jack Liu, Jake Cowton, jalexand3r, J Alexander, Jauhar, Jaya Surya Kommireddy, Jay Stanley, Jeff Hale, je-kr, JElfner, Jenny Vo, Jérémie du Boisberranger, Jihane, Jirka Borovec, Joel Nothman, Jon Haitz Legarreta Gorroño, Jordan Silke, Jorge Ciprián, Jorge Loayza, Joseph Chazalon, Joseph Schwartz-Messing, Jovan Stojanovic, JSchuerz, Juan Carlos Alfaro Jiménez, Juan Martin Loyola, Julien Jerphanion, katotten, Kaushik Roy Chowdhury, Ken4git, Kenneth Prabakaran, kernc, Kevin Doucet, KimAYoung, Koushik Joshi, Kranthi Sedamaki, krishna kumar, krumetoft, lesnee, Lisa Casino, Logan Thomas, Loic Esteve, Louis Wagner, LucieClair, Lucy Liu, Luiz Eduardo Amaral, Magali, MaggieChege, Mai, mandjevant, Mandy Gu, Manimaran, MarcoM, Marco Wurps, Maren Westermann, Maria Boerner, MarieS-WiMLDS, Martel Corentin, martin-kokos, mathurinm, Matías, matjansen, Matteo Francia, Maxwell, Meekail Zain, Megabyte, Mehrdad Moradizadeh, melemo2, Michael I Chen, michalkrawczyk, Micky774, milana2, millawell, Ming-Yang Ho, Mitzi, miwojc, Mizuki, mlant, Mohamed Haseeb, Mohit Sharma, Moonkyung94, mpoemsl, MrinalTyagi, Mr. Leu, msabatier, murata-yu, N, Nadirhan Şahin, Naipawat Poolsawat, NartayXD, nastegiano, nathansquan, nat-salt, Nicki Skafte Detlefsen, Nicolas Hug, Niket Jain, Nikhil Suresh, Nikita Titov, Nikolay Kondratyev, Ohad Michel, Oleksandr Husak, Olivier Grisel, partev, Patrick Ferreira, Paul, pelennor, PierreAttard, Piet Brömmel, Pieter Gijsbers, Pinky, poloso, Pramod Anantharam, puhuk, Purna Chandra Mansingh, QuadV, Rahil Parikh, Randall Boyes, randomgeek78, Raz Hoshia, Reshama Shaikh, Ricardo Ferreira, Richard Taylor, Rileran, Rishabh, Robin Thibaut, Rocco Meli, Roman Feldbauer, Roman Yurchak, Ross Barnowski, rsnegrin, Sachin Yadav, sakinaOuisrani, Sam Adam Day, Sanjay Marreddi, Sebastian Pujalte, SEELE, SELEE, Seyedsaman (Sam) Emami, ShanDeng123, Shao Yang Hong, sharmadharmpal, shaymerNaturalint, Shuangchi He, Shubhraneel Pal, siavrez, slishak, Smile, spikebh, sply88, Srinath Kailasa, Stéphane Collot, Sultan Orazbayev, Sumit Saha, Sven Eschlbeck, Sven Stehle, Swapnil Jha, Sylvain Marié, Takeshi Oura, Tamires Santana, Tenavi, teunpe, Theis Ferré Hjortkjær, Thiruvenkadam, Thomas J. Fan, t-jakubek, toastedyeast, Tom Dupré la Tour, Tom McTiernan, TONY GEORGE, Tyler Martin, Tyler Reddy, Udit Gupta, Ugo Marchand, Varun Agrawal, Venkatachalam N, Vera Komeyer, victoirelouis, Vikas Vishwakarma, Vikrant khedkar, Vladimir Chernyy, Vladimir Kim, WeijiaDu, Xiao Yuan, Yar Khine Phyo, Ying Xiong, yiyangq, Yosshi999, Yuki Koyama, Zach Deane-Mayer, Zeel B Patel, zempleni, zhenfisher, 赵丰 (Zhao Feng)