配置上下文#
- sklearn.config_context(*, assume_finite=None, working_memory=None, print_changed_only=None, display=None, pairwise_dist_chunk_size=None, enable_cython_pairwise_dist=None, array_api_dispatch=None, transform_output=None, enable_metadata_routing=None, skip_parameter_validation=None)[source]#
scikit-learn全局配置的上下文管理器。
- 参数：
- assume_finitebool，默认为None
如果为True，则跳过有限性验证，节省时间，但可能导致崩溃。如果为False，则执行有限性验证，避免错误。如果为None，则现有值不会改变。默认值为False。
- working_memoryint，默认为None
如果设置，scikit-learn将尝试将临时数组的大小限制为此数量的MiB（并行化时每个作业），通常可以在昂贵的可以分块执行的操作中节省计算时间和内存。如果为None，则现有值不会改变。默认值为1024。
- print_changed_onlybool，默认为None
如果为True，则打印估计器时，只打印设置为非默认值的参数。例如，当为True时，
print(SVC())将只打印 ‘SVC()’，但当为False时，将打印 ‘SVC(C=1.0, cache_size=200, …)’，包含所有未更改的参数。如果为None，则现有值不会改变。默认值为True。0.23版本中的变化： 默认值从False更改为True。
- display{'text', 'diagram'}，默认为None
如果为'diagram'，则估计器将在Jupyter lab或notebook环境中以图表形式显示。如果为'text'，则估计器将以文本形式显示。如果为None，则现有值不会改变。默认值为'diagram'。
0.23版本中新增。
- pairwise_dist_chunk_sizeint，默认为None
加速成对距离缩减后端的每块行向量数。默认值为256（适用于大多数现代笔记本电脑的缓存和架构）。
旨在更轻松地对scikit-learn内部进行基准测试和测试。预计最终用户不会从自定义此配置设置中受益。
1.1版本中新增。
- enable_cython_pairwise_distbool，默认为None
尽可能使用加速的成对距离缩减后端。全局默认值：True。
旨在更轻松地对scikit-learn内部进行基准测试和测试。预计最终用户不会从自定义此配置设置中受益。
1.1版本中新增。
- array_api_dispatchbool，默认为None
当输入遵循Array API标准时，使用Array API调度。默认为False。
更多详情请参见用户指南。
1.2版本中新增。
- transform_outputstr，默认为None
配置
transform和fit_transform的输出。参见介绍set_output API，了解如何使用API的示例。
"default"：转换器的默认输出格式"pandas"：DataFrame输出"polars"：Polars输出None：转换配置不变
1.2版本中新增。
1.4版本中新增： 添加了
"polars"选项。- enable_metadata_routingbool，默认为None
启用元数据路由。默认情况下，此功能被禁用。
有关更多详细信息，请参阅元数据路由用户指南。
True：启用元数据路由False：禁用元数据路由，使用旧语法。None：配置不变
1.3版本中新增。
- skip_parameter_validationbool，默认为None
如果为
True，则禁用估计器fit方法中超参数类型和值的验证，以及传递给公共辅助函数的参数的验证。这可以在某些情况下节省时间，但可能导致底层崩溃和异常，并出现令人困惑的错误消息。请注意，对于数据参数，例如
X和y，只跳过类型验证，但使用check_array的验证将继续运行。1.3版本中新增。
- 产量：
- 无。
另请参见
set_config设置全局scikit-learn配置。
get_config检索全局配置的当前值。
备注
当上下文管理器退出时，所有设置（不仅仅是当前修改的设置）都将恢复到它们以前的值。
示例
>>> import sklearn >>> from sklearn.utils.validation import assert_all_finite >>> with sklearn.config_context(assume_finite=True): ... assert_all_finite([float('nan')]) >>> with sklearn.config_context(assume_finite=True): ... with sklearn.config_context(assume_finite=False): ... assert_all_finite([float('nan')]) Traceback (most recent call last): ... ValueError: Input contains NaN...
