scikit-learn 1.3 的发行亮点#

我们很高兴地宣布 scikit-learn 1.3 发布！添加了许多错误修复和改进，以及一些新的关键功能。我们将在下面详细介绍此版本的一些主要功能。**有关所有更改的详尽列表**，请参阅发行说明。

要安装最新版本（使用 pip）

pip install --upgrade scikit-learn

或使用 conda

conda install -c conda-forge scikit-learn

元数据路由#

我们正在引入一种新的方法来路由元数据，例如sample_weight，贯穿整个代码库，这将影响元估计器（如pipeline.Pipeline和model_selection.GridSearchCV）路由元数据的方式。虽然此功能的基础设施已包含在此版本中，但工作仍在进行中，并非所有元估计器都支持此新功能。您可以在元数据路由用户指南中阅读有关此功能的更多信息。请注意，此功能仍在开发中，尚未在大多数元估计器中实现。

第三方开发人员现在可以开始将其整合到他们的元估计器中。有关更多详细信息，请参阅元数据路由开发者指南。

HDBSCAN：基于层次密度的聚类#

最初托管在 scikit-learn-contrib 存储库中，cluster.HDBSCAN 已被采用到 scikit-learn 中。它缺少原始实现中的一些功能，这些功能将在未来的版本中添加。通过对多个 epsilon 值同时执行cluster.DBSCAN 的修改版本，cluster.HDBSCAN 找到了不同密度的集群，使其比cluster.DBSCAN 对参数选择更稳健。有关更多详细信息，请参阅用户指南。

import numpy as np
from sklearn.cluster import HDBSCAN
from sklearn.datasets import load_digits
from sklearn.metrics import v_measure_score

X, true_labels = load_digits(return_X_y=True)
print(f"number of digits: {len(np.unique(true_labels))}")

hdbscan = HDBSCAN(min_cluster_size=15).fit(X)
non_noisy_labels = hdbscan.labels_[hdbscan.labels_ != -1]
print(f"number of clusters found: {len(np.unique(non_noisy_labels))}")

print(v_measure_score(true_labels[hdbscan.labels_ != -1], non_noisy_labels))

number of digits: 10
number of clusters found: 11
0.9694149248180188

TargetEncoder：一种新的类别编码策略#

非常适合具有高基数的分类特征，preprocessing.TargetEncoder 根据属于该类别的观测值的平均目标值的收缩估计来编码类别。有关更多详细信息，请参阅用户指南。

import numpy as np
from sklearn.preprocessing import TargetEncoder

X = np.array([["cat"] * 30 + ["dog"] * 20 + ["snake"] * 38], dtype=object).T
y = [90.3] * 30 + [20.4] * 20 + [21.2] * 38

enc = TargetEncoder(random_state=0)
X_trans = enc.fit_transform(X, y)

enc.encodings_

[array([90.3, 20.4, 21.2])]

决策树中的缺失值支持#

类tree.DecisionTreeClassifier和tree.DecisionTreeRegressor 现在支持缺失值。对于非缺失数据的每个潜在阈值，分割器将评估所有缺失值都进入左节点或右节点的分割。有关更多详细信息，请参阅用户指南，或参阅直方图梯度提升树中的功能，以了解此功能在HistGradientBoostingRegressor中的用例示例。

import numpy as np
from sklearn.tree import DecisionTreeClassifier

X = np.array([0, 1, 6, np.nan]).reshape(-1, 1)
y = [0, 0, 1, 1]

tree = DecisionTreeClassifier(random_state=0).fit(X, y)
tree.predict(X)

array([0, 0, 1, 1])

新的显示`ValidationCurveDisplay`#

model_selection.ValidationCurveDisplay 现在可用于绘制model_selection.validation_curve 的结果。

from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import ValidationCurveDisplay

X, y = make_classification(1000, 10, random_state=0)

_ = ValidationCurveDisplay.from_estimator(
    LogisticRegression(),
    X,
    y,
    param_name="C",
    param_range=np.geomspace(1e-5, 1e3, num=9),
    score_type="both",
    score_name="Accuracy",
)

用于梯度提升的伽马损失#

类ensemble.HistGradientBoostingRegressor 通过loss="gamma"支持伽马偏差损失函数。此损失函数对于使用右偏分布对严格正的目标进行建模很有用。

import numpy as np
from sklearn.model_selection import cross_val_score
from sklearn.datasets import make_low_rank_matrix
from sklearn.ensemble import HistGradientBoostingRegressor

n_samples, n_features = 500, 10
rng = np.random.RandomState(0)
X = make_low_rank_matrix(n_samples, n_features, random_state=rng)
coef = rng.uniform(low=-10, high=20, size=n_features)
y = rng.gamma(shape=2, scale=np.exp(X @ coef) / 2)
gbdt = HistGradientBoostingRegressor(loss="gamma")
cross_val_score(gbdt, X, y).mean()

0.46858513287221654

在`OrdinalEncoder` 中对不常见类别进行分组#

与preprocessing.OneHotEncoder 类似，类preprocessing.OrdinalEncoder 现在支持将不常见类别聚合到每个特征的单个输出中。启用收集不常见类别的参数是min_frequency和max_categories。有关更多详细信息，请参阅用户指南。

from sklearn.preprocessing import OrdinalEncoder
import numpy as np

X = np.array(
    [["dog"] * 5 + ["cat"] * 20 + ["rabbit"] * 10 + ["snake"] * 3], dtype=object
).T
enc = OrdinalEncoder(min_frequency=6).fit(X)
enc.infrequent_categories_

[array(['dog', 'snake'], dtype=object)]

脚本的总运行时间：（0 分钟 1.405 秒）