scikit-learn 1.7 发布亮点

我们很高兴地宣布 scikit-learn 1.7 发布！此版本增加了许多错误修复和改进，以及一些关键新功能。下面我们将详细介绍此版本的亮点。有关所有更改的完整列表，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

改进了估计器的 HTML 表示

估计器的 HTML 表示现在包含一个包含参数列表及其值的章节。非默认参数以橙色突出显示。还提供了一个复制按钮，无需调用 get_params 方法即可复制“完全限定”参数名称。这在为复杂管道的网格搜索或随机搜索定义参数网格时特别有用。

请参阅下面的示例，点击不同的估计器块以查看改进后的 HTML 表示。

from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

model = make_pipeline(StandardScaler(with_std=False), LogisticRegression(C=2.0))
model

Pipeline(steps=[('standardscaler', StandardScaler(with_std=False)),
                ('logisticregression', LogisticRegression(C=2.0))])

在 Jupyter 环境中，请重新运行此单元格以显示 HTML 表示或信任此笔记本。
在 GitHub 上，HTML 表示无法渲染，请尝试使用 nbviewer.org 加载此页面。

直方图梯度提升估计器的自定义验证集

类 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 现在支持直接将自定义验证集传递给 fit 方法进行早停，使用 X_val、y_val 和 sample_weight_val 参数。在 pipeline.Pipeline 中，验证集 X_val 可以使用 transform_input 参数与 X 一起转换。

import sklearn
from sklearn.datasets import make_classification
from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

sklearn.set_config(enable_metadata_routing=True)

X, y = make_classification(random_state=0)
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=0)

clf = HistGradientBoostingClassifier()
clf.set_fit_request(X_val=True, y_val=True)

model = Pipeline([("sc", StandardScaler()), ("clf", clf)], transform_input=["X_val"])
model.fit(X, y, X_val=X_val, y_val=y_val)

Pipeline(steps=[('sc', StandardScaler()),
                ('clf', HistGradientBoostingClassifier())],
         transform_input=['X_val'])

在 Jupyter 环境中，请重新运行此单元格以显示 HTML 表示或信任此笔记本。
在 GitHub 上，HTML 表示无法渲染，请尝试使用 nbviewer.org 加载此页面。

从交叉验证结果绘制 ROC 曲线

类 metrics.RocCurveDisplay 有一个新的类方法 from_cv_results，它允许轻松地从 model_selection.cross_validate 的结果中绘制多个 ROC 曲线。

from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import RocCurveDisplay
from sklearn.model_selection import cross_validate

X, y = make_classification(n_samples=150, random_state=0)
clf = LogisticRegression(random_state=0)
cv_results = cross_validate(clf, X, y, cv=5, return_estimator=True, return_indices=True)
_ = RocCurveDisplay.from_cv_results(cv_results, X, y)

数组 API 支持

自 1.6 版本以来，多个函数已更新以支持与数组 API 兼容的输入，特别是来自 sklearn.metrics 模块的度量。

此外，在使用 scikit-learn 中的实验性数组 API 支持时，不再需要安装 array-api-compat 包。

有关使用 PyTorch 或 CuPy 等与数组 API 兼容的库来使用 scikit-learn 的说明，请参阅数组 API 支持页面。

改进了多层感知器的 API 一致性

neural_network.MLPRegressor 有一个新的参数 loss，现在除了默认的“squared_error”损失外，还支持“poisson”损失。此外，neural_network.MLPClassifier 和 neural_network.MLPRegressor 估计器现在支持样本权重。这些改进旨在提高这些估计器与 scikit-learn 中其他估计器的一致性。

向稀疏数组迁移

为了准备 SciPy 从稀疏矩阵到稀疏数组的迁移，所有接受稀疏矩阵作为输入的 scikit-learn 估计器现在也接受稀疏数组。

相关示例

scikit-learn 1.6 的发布亮点

scikit-learn 1.6 的发布亮点

scikit-learn 1.2 的发布亮点

scikit-learn 1.2 的发布亮点

scikit-learn 0.22 的发布亮点

scikit-learn 0.22 的发布亮点

scikit-learn 0.23 的发布亮点

scikit-learn 0.23 的发布亮点