版本 1.1

有关此版本主要亮点的简要说明，请参阅 scikit-learn 1.1 版本亮点。

更新日志图例

• 重大功能 以前无法实现的大功能。

• 功能 以前无法实现的功能。

• 效率提升 现有功能现在可能不需要那么多计算或内存。

• 增强 一般性的小改进。

• 修复 以前无法按文档或合理预期工作的问题现在应该可以了。

• API 变更 未来你需要更改代码才能达到相同的效果；或者未来某个功能将被移除。

版本 1.1.3

2022 年 10 月

此错误修复版本仅包含针对最新 SciPy 版本 >= 1.9.2 兼容性的修复。值得注意的更改包括

• 修复 将 msvcp140.dll 包含在 scikit-learn wheel 文件中，因为它已在最新的 SciPy wheel 文件中移除。 #24631 by Chiara Marmo。

• 增强 为 Python 3.11 创建 wheel 文件。 #24446 by Chiara Marmo。

其他错误修复将在接下来的几周内发布的 1.2 版本中提供。

请注意，此版本中已放弃对 Windows 上 32 位 Python 的支持。这是因为 SciPy 1.9.2 也放弃了对该平台的支持。建议 Windows 用户安装 64 位版本的 Python。

版本 1.1.2

2022 年 8 月

变更模型

以下估计器和函数在用相同数据和参数拟合时，可能会产生与上一个版本不同的模型。这通常是由于建模逻辑（bug 修复或增强）或随机采样过程的更改所致。

• 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 by Mathias Andersen 和 #23471 by Meekail Zain。

更新日志

• 修复 对于带有无效参数的元估计器，会显示默认的 HTML 表示。 #24015 by Thomas Fan。

• 修复 为后端在 1.1 版本中更改的估计器和函数添加了对 F-contiguous 数组的支持。 #23990 by Julien Jerphanion。

• 修复 现在提供适用于 MacOS 10.9 及更高版本的 wheel 文件。 #23833 by Thomas Fan。

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 by Henry Sorsky。

sklearn.cluster

• 修复 修复了 cluster.Birch 中的一个错误，当数据集中存在重复项时，在拆分节点时可能会触发错误。 #23395 by Jérémie du Boisberranger。

sklearn.feature_selection

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

sklearn.impute

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

sklearn.linear_model

• 修复 对克拉姆矩阵（由用户传入或预计算）的验证使用 dtype 感知的容差。 #22059 by Malte S. Kurz。

• 修复 修复了 linear_model.LogisticRegression 中 solver="newton-cg", fit_intercept=True 和单个特征的错误。 #23608 by Tom Dupre la Tour。

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 by Mathias Andersen 和 #23471 by Meekail Zain。

sklearn.metrics

• 修复 修复了 metrics.coverage_error 对于 1D 数组输入的错误消息。 #23548 by Hao Chun Chang。

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 by Thomas Fan。

sklearn.tree

• 修复 修复了 tree.DecisionTreeRegressor 和 tree.DecisionTreeClassifier 在拟合过程中无效内存访问的错误。 #23273 by Thomas Fan。

版本 1.1.1

2022 年 5 月

更新日志

• 增强 在没有导入 experimental 标志的情况下导入 model_selection.HalvingGridSearchCV, model_selection.HalvingRandomSearchCV 或 impute.IterativeImputer 时，错误消息得到改进。 #23194 by Thomas Fan。

• 增强 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 by Lise Kleiber, Zhehao Liu and Chiara Marmo。

sklearn.datasets

• 修复 通过不传递 timeout 参数，避免 datasets.fetch_openml 中的超时。 #23358 by Loïc Estève。

sklearn.decomposition

• 修复 避免在 decomposition.IncrementalPCA 中出现 n_samples == n_components 时的虚假警告。 #23264 by Lucy Liu。

sklearn.feature_selection

• 修复 feature_selection.SelectFromModel 的 partial_fit 方法现在对 max_features 和 feature_names_in 参数执行验证。 #23299 by Long Bao。

sklearn.metrics

• 修复 修复了 metrics.precision_recall_curve 以计算 100% 召回率时的精确率-召回率。精确率-召回率曲线现在显示对应于始终预测正类的分类器的最后一个点：召回率 = 100%，精确率 = 类平衡。 #23214 by Stéphane Collot and Max Baak。

sklearn.preprocessing

• 修复 preprocessing.PolynomialFeatures 当 degree 等于 0 且 include_bias 设置为 False 时会引发错误，当 include_bias 设置为 True 时会输出单个常量数组。 #23370 by Zhehao Liu。

sklearn.tree

• 修复 修复了 tree.DecisionTreeClassifier, tree.DecisionTreeRegressor, ensemble.RandomForestClassifier, ensemble.RandomForestRegressor, ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 在低基数特征下的性能回归问题。 #23410 by Loïc Estève。

sklearn.utils

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

版本 1.1.0

2022 年 5 月

最低依赖项

scikit-learn 1.1.0 版本需要 python 3.8+、numpy 1.17.3+ 和 scipy 1.3.2+。可选的最低依赖项是 matplotlib 3.1.2+。

更改的模型

以下估计器和函数在用相同数据和参数拟合时，可能会产生与上一个版本不同的模型。这通常是由于建模逻辑（bug 修复或增强）或随机采样过程的更改所致。

• 效率 cluster.KMeans 现在默认为 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，仅存在数值舍入误差，但通常 Lloyd 算法使用的内存要少得多，而且通常更快。

• 效率 由于采用了新的排序算法来查找最佳分割，拟合 tree.DecisionTreeClassifier, tree.DecisionTreeRegressor, ensemble.RandomForestClassifier, ensemble.RandomForestRegressor, ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 的速度平均比以前的版本快 15%。由于对具有相同准则值的分割的处理方式不同，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 by Thomas Fan。

• 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 现在默认返回有限分数，而不是在某些角落情况下的 np.nan 和 np.inf。如果确实需要非有限值并保持旧行为，可以使用 force_finite=False。

• 修复 包含所有非字符串列（例如 MultiIndex）的 Panda DataFrame 在传递给估计器时不再发出警告。对于具有非字符串列的 DataFrame，估计器将继续忽略列名。为了定义 feature_names_in_，所有列都必须是字符串。 #22410 by Thomas Fan。

• 修复 preprocessing.KBinsDiscretizer 更改了分箱边缘的处理方式，这可能导致相同数据产生不同的编码。

• 修复 calibration.calibration_curve 更改了分箱边缘的处理方式，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，这可能导致不同的模型行为。

• 修复 feature_selection.SelectFromModel.fit 和 feature_selection.SelectFromModel.partial_fit 现在可以使用 prefit=True 调用。当 prefit=True 时，estimators_ 将是 estimator 的深层副本。 #23271 by Guillaume Lemaitre。

更新日志

• 效率 用于密集 float64 数据集成对距离缩减的低级例程已重构。以下函数和估计器现在受益于硬件可扩展性和速度方面的性能改进

  • 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具有许多核心的机器，使它们可用于包含数百万样本的数据集。

  #21987, #22064, #22065, #22288 and #22320 by Julien Jerphanion。

• 增强 当某些输入包含意外的 NaN 或无限值时，所有 scikit-learn 模型现在都会生成更具信息性的错误消息。特别是，消息包含输入名称（“X”、“y”或“sample_weight”），如果 X 中发现意外的 NaN 值，则错误消息会建议潜在的解决方案。 #21219 by Olivier Grisel。

• 增强 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性的错误消息。 #21542 by Olivier Grisel。

• 增强 删除了 HTML 表示中的随机唯一标识符。通过此更改，只要单元格以相同的顺序运行，jupyter notebook 就可以重现。 #23098 by Thomas Fan。

• 修复 将 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 by Zhehao Liu。

• API 更改 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生成相同的模型，但已被弃用，并将在 1.3 版本中移除。

  • 对于 ensemble.GradientBoostingClassifier，参数 loss 的名称“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 by Christian Lorentzen。

  • 对于 ensemble.HistGradientBoostingClassifier，参数 loss 的名称“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 by Christian Lorentzen。

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

• API 更改 估计器的富 HTML 表示现在默认在 Jupyter notebook 中启用。可以通过在 sklearn.set_config 中设置 display='text' 来禁用它。 #22856 by Jérémie du Boisberranger。

sklearn.calibration

• 增强 calibration.calibration_curve 接受参数 pos_label 以指定正类标签。 #21032 by Guillaume Lemaitre。

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

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

• 修复 calibration.calibration_curve 现在更一致地处理分箱边缘。 #14975 by Andreas Müller and #22526 by Meekail Zain。

• API 更改 calibration.calibration_curve 的 normalize 参数现在已弃用，并将在 1.3 版本中移除。建议将适当的概率（即分类器的 predict_proba 正类）用于 y_prob。 #23095 by Jordan Silke。

sklearn.cluster

• 主要功能 添加了新估计器 cluster.BisectingKMeans，引入了 Bisecting K-Means 算法。 #20031 by Michal Krawczyk, Tom Dupre la Tour and Jérémie du Boisberranger。

• 增强 cluster.SpectralClustering 和 cluster.spectral_clustering 现在包含新的 'cluster_qr' 方法，作为现有 'kmeans' 和 'discrete' 方法的替代方案，用于在嵌入空间中对样本进行聚类。有关详细信息，请参阅 cluster.spectral_clustering。 #21148 by Andrew Knyazev。

• 增强 将 get_feature_names_out 添加到 cluster.Birch, cluster.FeatureAgglomeration, cluster.KMeans, cluster.MiniBatchKMeans。 #22255 by Thomas Fan。

• 增强 cluster.SpectralClustering 现在在传入无效的 n_clusters, n_init, gamma, n_neighbors, eigen_tol 或 degree 值时引发一致的错误消息。 #21881 by Hugo Vassard。

• 增强 cluster.AffinityPropagation 现在返回聚类中心和标签（如果存在），即使模型没有完全收敛。当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。如果没有构建聚类中心，则聚类中心仍然是一个空列表，标签设置为 -1，并显示原始警告消息。 #22217 by Meekail Zain。

• 效率 在 cluster.KMeans 中，默认的 algorithm 现在是 "lloyd"，它是完整的经典 EM 风格算法。 "auto" 和 "full" 都已弃用，并将在 1.3 版本中移除。它们现在是 "lloyd" 的别名。以前的默认值是 "auto"，它依赖于 Elkan 算法。Lloyd 算法使用的内存比 Elkan 算法少，在许多数据集上更快，并且结果相同，因此进行了更改。 #21735 by Aurélien Geron。

• 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 by Thomas Fan。

sklearn.compose

• 修复 compose.ColumnTransformer 现在移除 __init__ 和 set_params 方法中的验证错误。 #22537 by iofall and Arisa Y.。

• 修复 当使用 slice 指定列时，compose.ColumnTransformer 中的 get_feature_names_out 功能被破坏。这已在 #22775 and #22913 by randomgeek78 中修复。

sklearn.covariance

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

sklearn.cross_decomposition

• 增强 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 by Robin Thibaut。

• 增强 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 by Thomas Fan。

• 修复 cross_decomposition.CCA, cross_decomposition.PLSCanonical 和 cross_decomposition.PLSRegression 的 coef_ 属性的形状将在 1.3 版本中更改，从 (n_features, n_targets) 更改为 (n_targets, n_features)，以与其他线性模型保持一致，并使其适用于期望 coef_ 具有特定形状的接口（例如 feature_selection.RFE）。 #22016 by Guillaume Lemaitre。

• API 更改 为 cross_decomposition.PLSCanonical, cross_decomposition.PLSRegression 和 cross_decomposition.CCA 添加拟合属性 intercept_。方法 predict 确实等同于 Y = X @ coef_ + intercept_。 #22015 by Guillaume Lemaitre。

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 by Tony Attalla and #22498 by Meekail Zain。

• 增强 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 by Sebastian Pujalte。

• 增强 datasets.make_blobs 在生成过程中不再复制数据，因此使用的内存更少。 #22412 by Zhehao Liu。

• 增强 datasets.load_diabetes 现在接受参数 scaled，允许加载未缩放的数据。此数据集的缩放版本现在从未缩放数据计算，并且可能产生与以前版本略有不同的结果（在 1e-4 绝对容差范围内）。 #16605 by Mandy Gu。

• 增强 datasets.fetch_openml 现在有两个可选参数 n_retries 和 delay。默认情况下，如果发生网络故障，datasets.fetch_openml 将重试 3 次，每次重试之间有延迟。 #21901 by Rileran。

• 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 by Ilion Beyst。

• API 更改 datasets.make_sparse_coded_signal 现在接受参数 data_transposed 以显式指定矩阵 X 的形状。默认行为 True 是返回对应于 (n_features, n_samples) 形状的转置矩阵 X。默认值将在 1.3 版本中更改为 False。 #21425 by Gabriel Stefanini Vicente。

sklearn.decomposition

• 主要功能 添加了一个新的估计器 decomposition.MiniBatchNMF。它是非负矩阵分解的一个更快但不那么准确的版本，更适合大型数据集。 #16948 by Chiara Marmo, Patricio Cerda and Jérémie du Boisberranger。

• 增强 decomposition.dict_learning, decomposition.dict_learning_online 和 decomposition.sparse_encode 为 numpy.float32 保留 dtype。 decomposition.DictionaryLearning, decomposition.MiniBatchDictionaryLearning 和 decomposition.SparseCoder 为 numpy.float32 保留 dtype。 #22002 by Takeshi Oura。

• 增强 decomposition.PCA 暴露了一个参数 n_oversamples 来调整 utils.extmath.randomized_svd，并在特征数量较大时获得准确的结果。 #21109 by Smile。

• 增强 decomposition.MiniBatchDictionaryLearning 和 decomposition.dict_learning_online 已重构，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。

  • 两者的 n_iter 参数已弃用。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，已弃用。

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

  • 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 by Jérémie du Boisberranger。

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

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

• 增强 将 get_feature_names_out 添加到 decomposition 模块中的所有转换器：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 by Thomas Fan。

• 增强 decomposition.TruncatedSVD 暴露了参数 n_oversamples 和 power_iteration_normalizer 来调整 utils.extmath.randomized_svd，并在特征数量较大、矩阵秩高或矩阵的其他特征使得低秩近似困难时获得更准确的结果。 #21705 by Jay S. Stanley III。

• 增强 decomposition.PCA 暴露了参数 power_iteration_normalizer 来调整 utils.extmath.randomized_svd，并在低秩近似困难时获得更准确的结果。 #21705 by 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 by Hannah Bohle and Maren Westermann。

• 修复 decomposition.FastICA 现在接受 np.float32 数据，而不会进行隐式上转换。 fit 和 fit_transform 会保留 dtype，并且主要拟合属性使用与训练数据精度相同的 dtype。 #22806 by Jihane Bennis and Olivier Grisel。

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

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

• Fix decomposition.PCA 和 decomposition.IncrementalPCA 如果 self.noise_variance_ 为零，则更安全地使用协方差矩阵的逆来计算精度。 #22300 by Meekail Zain and #15948 by @sysuresh.

• Fix 在调用 fit 或 fit_transform 时，decomposition.PCA 中的峰值内存使用量大大减少。 #22553 by Meekail Zain.

• API Change 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（行为类似于 'arbitrary-variance'）更改为 'unit-variance'。 #19490 by Facundo Ferrin and Julien Jerphanion.

sklearn.discriminant_analysis

• Enhancement 为 discriminant_analysis.LinearDiscriminantAnalysis 添加 get_feature_names_out。 #22120 by Thomas Fan.

• Fix 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 by Okon Samuel and #22696 by Meekail Zain.

sklearn.dummy

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

sklearn.ensemble

• Major Feature 为 ensemble.HistGradientBoostingRegressor 添加了额外的选项 loss="quantile" 用于分位数建模。分位数水平可以通过新参数 quantile 指定。 #21800 and #20567 by Christian Lorentzen.

• Efficiency ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 的 fit 现在调用 utils.check_array 时，对于非初始 warm-start 运行，参数 force_all_finite=False，因为它之前已经被检查过了。 #22159 by Geoffrey Paris.

• Enhancement 由于新的私有损失函数模块，ensemble.HistGradientBoostingClassifier 对于二元问题，尤其是多类问题，速度更快。 #20811, #20567 and #21814 by Christian Lorentzen.

• Enhancement 为 ensemble.StackingClassifier 和 ensemble.StackingRegressor 添加了使用 cv="prefit" 的预训练模型支持。 #16748 by Siqi He and #22215 by Meekail Zain.

• Enhancement ensemble.RandomForestClassifier and ensemble.ExtraTreesClassifier 具有新的 criterion="log_loss"，它等效于 criterion="entropy"。 #23047 by Christian Lorentzen.

• Enhancement 为 ensemble.VotingClassifier, ensemble.VotingRegressor, ensemble.StackingClassifier, and ensemble.StackingRegressor 添加 get_feature_names_out。 #22695 and #22697 by Thomas Fan.

• Enhancement ensemble.RandomTreesEmbedding 现在有一个信息丰富的 get_feature_names_out 函数，它在输出特征名称中包含树索引和叶子索引。 #21762 by Zhehao Liu and Thomas Fan.

• Efficiency 在多处理设置中，拟合 ensemble.RandomForestClassifier, ensemble.RandomForestRegressor, ensemble.ExtraTreesClassifier, ensemble.ExtraTreesRegressor, and ensemble.RandomTreesEmbedding 现在更快，尤其是对于启用 warm_start 的后续拟合。 #22106 by Pieter Gijsbers.

• Fix 更改 ensemble.GradientBoostingClassifier 和 ensemble.GradientBoostingRegressor 中的参数 validation_fraction，以便在传入的参数不是浮点数时引发错误。 #21632 by Genesis Valencia.

• Fix 移除了 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 中潜在的 CPU 过度订阅源，尤其是在 CPU 资源使用受限时（例如在 docker 容器中使用 cgroups 配额）。 #22566 by Jérémie du Boisberranger.

• Fix ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 在使用非默认 scoring 参数并启用 early_stopping 对 pandas DataFrame 进行拟合时不再发出警告。 #22908 by Thomas Fan.

• Fix 修复了 ensemble.StackingClassifier and ensemble.StackingRegressor 的 HTML 表示。 #23097 by Thomas Fan.

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

• API Change ensemble.RandomForestRegressor 的 max_features 默认值更改为 1.0，ensemble.RandomForestClassifier 的默认值更改为 "sqrt"。请注意，这些值给出了与以前相同的拟合结果，但更容易理解。旧的默认值 "auto" 已被弃用，并将在 1.3 版本中移除。同样的更改也适用于 ensemble.ExtraTreesRegressor and ensemble.ExtraTreesClassifier。 #20803 by Brian Sun.

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

sklearn.feature_extraction

• Feature feature_extraction.FeatureHasher 现在支持 PyPy。 #23023 by Thomas Fan.

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

• Fix feature_extraction.text.TfidfVectorizer 现在在 __init__ 时不再创建 feature_extraction.text.TfidfTransformer，这是我们 API 所要求的。 #21832 by Guillaume Lemaitre.

sklearn.feature_selection

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

• Feature 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_，它是在 fit 期间根据 max_features 和数据推断出来的。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 by Meekail Zain.

• Enhancement feature_selection.GenericUnivariateSelect 保留 float32 dtype。 #18482 by Thierry Gameiro and Daniel Kharsa and #22370 by Meekail Zain.

• Enhancement 为 feature_selection.f_regression and feature_selection.r_regression 添加参数 force_finite。当特征或目标恒定，或者特征和目标完全相关时（仅适用于 F-statistic），此参数允许强制输出为有限值。 #17819 by Juan Carlos Alfaro Jiménez.

• Efficiency 提高了布尔数组的 feature_selection.chi2 运行时性能。 #22235 by Thomas Fan.

• Efficiency 降低了 feature_selection.chi2 的内存使用量。 #21837 by Louis Wagner.

sklearn.gaussian_process

• Fix gaussian_process.GaussianProcessRegressor 的 predict 和 sample_y 方法现在在单目标和多目标情况下，以及对于 normalize_y=False 和 normalize_y=True 都返回正确形状的数组。 #22199 by Guillaume Lemaitre, Aidar Shakerimoff and Tenavi Nakamura-Zimmerer.

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

sklearn.impute

• Enhancement impute.SimpleImputer 现在在由于训练集中缺少任何观察值而被跳过的特征发出特征名称警告。 #21617 by Christian Ritter.

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

• Enhancement 为 impute.SimpleImputer, impute.KNNImputer, impute.IterativeImputer, and impute.MissingIndicator 添加 get_feature_names_out。 #21078 by Thomas Fan.

• API Change impute.SimpleImputer 的 verbose 参数已弃用。移除空列时将始终发出警告。 #21448 by Oleh Kozynets and Christian Ritter.

sklearn.inspection

• Feature 添加了一个显示器，用于通过使用方法 inspection.DecisionBoundaryDisplay.from_estimator 绘制分类器的决策边界。 #16061 by Thomas Fan.

• Enhancement 在 inspection.PartialDependenceDisplay.from_estimator 中，允许 kind 接受字符串列表以指定每个特征交互要绘制的图表类型。 #19438 by Guillaume Lemaitre.

• Enhancement inspection.PartialDependenceDisplay.from_estimator, inspection.PartialDependenceDisplay.plot, and inspection.plot_partial_dependence 现在支持绘制居中的个体条件期望（cICE）和居中的 PDP 曲线，通过设置参数 centered 进行控制。 #18310 by Johannes Elfner and Guillaume Lemaitre.

sklearn.isotonic

• Enhancement 为 isotonic.IsotonicRegression 添加 get_feature_names_out。 #22249 by Thomas Fan.

sklearn.kernel_approximation

• Enhancement 为 kernel_approximation.AdditiveChi2Sampler 添加 get_feature_names_out。 kernel_approximation.Nystroem, kernel_approximation.PolynomialCountSketch, kernel_approximation.RBFSampler, and kernel_approximation.SkewedChi2Sampler。 #22137 and #22694 by Thomas Fan.

sklearn.linear_model

• Feature linear_model.ElasticNet, linear_model.ElasticNetCV, linear_model.Lasso and linear_model.LassoCV 支持稀疏输入 X 的 sample_weight。 #22808 by Christian Lorentzen.

• Feature linear_model.Ridge with solver="lsqr" 现在支持拟合带有 fit_intercept=True 的稀疏输入。 #22950 by Christian Lorentzen.

• Enhancement linear_model.QuantileRegressor 支持基于 highs 的求解器的稀疏输入。 #21086 by Venkatachalam Natchiappan. 此外，这些求解器现在从一开始就使用 CSC 矩阵，从而加快了拟合速度。 #22206 by Christian Lorentzen.

• Enhancement linear_model.LogisticRegression 对于 solvers="lbfgs" 和 solver="newton-cg" 更快，对于二元问题，尤其是多类问题，这要归功于新的私有损失函数模块。在多类情况下，这些求解器的内存消耗也减少了，因为目标现在被标签编码（映射为整数）而不是标签二值化（one-hot 编码）。类别越多，好处越大。 #21808, #20567 and #21814 by Christian Lorentzen.

• Enhancement linear_model.GammaRegressor, linear_model.PoissonRegressor and linear_model.TweedieRegressor 对于 solvers="lbfgs" 更快。 #22548, #21808 and #20567 by Christian Lorentzen.

• Enhancement 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 已弃用，并将在 1.3 中移除。 #22062 by Adrian Trujillo.

• Enhancement linear_model.ElasticNet 和其他使用坐标下降的线性模型类在产生非有限参数权重时会显示错误消息。 #22148 by Christian Ritter and Norbert Preining.

• Enhancement linear_model.ElasticNet 和 linear_model.Lasso 现在在传入无效的 l1_ratio, alpha, max_iter 和 tol 值时会引发一致的错误消息。 #22240 by Arturo Amor.

• Enhancement linear_model.BayesianRidge and linear_model.ARDRegression 现在保留 float32 dtype。 #9087 by Arthur Imbert and #22525 by Meekail Zain.

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

• Enhancement linear_model.RidgeCV and linear_model.RidgeClassifierCV 现在在传入无效的 alphas 值时会引发一致的错误消息。 #21606 by Arturo Amor.

• Enhancement linear_model.Ridge and linear_model.RidgeClassifier 现在在传入无效的 alpha, max_iter 和 tol 值时会引发一致的错误消息。 #21341 by Arturo Amor.

• Enhancement linear_model.orthogonal_mp_gram 保留 numpy.float32 的 dtype。 #22002 by Takeshi Oura.

• Fix 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 by Guillaume Lemaitre and Andrés Babino.

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

• Fix linear_model.ElasticNetCV 现在在 l1_ratio=0 时产生正确的警告。 #21724 by Yar Khine Phyo.

• Fix linear_model.LogisticRegression and linear_model.LogisticRegressionCV 现在设置 n_iter_ 属性的形状，该形状符合文档字符串，并且与在使用 one-vs-rest 设置中的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，而现在记录所有迭代次数。 #21998 by Olivier Grisel.

• Fix linear_model.TweedieRegressor 的属性 family 不再在 __init__ 中验证。相反，此（私有）属性在 linear_model.GammaRegressor, linear_model.PoissonRegressor and linear_model.TweedieRegressor 中被弃用，并将在 1.3 中移除。 #22548 by Christian Lorentzen.

• Fix 当输入稀疏且存在样本权重时，linear_model.LinearRegression 的 coef_ 和 intercept_ 属性现在计算正确。 #22891 by Jérémie du Boisberranger.

• Fix 当输入稀疏且存在样本权重时，linear_model.Ridge with solver="sparse_cg" and solver="lbfgs" 的 coef_ 和 intercept_ 属性现在计算正确。 #22899 by Jérémie du Boisberranger.

• Fix linear_model.SGDRegressor and linear_model.SGDClassifier 现在在启用 early stopping 时正确计算验证错误。 #23256 by Zhehao Liu.

• API Change linear_model.LassoLarsIC 现在将 noise_variance 作为参数公开，以便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，这尤其重要。 #21481 by Guillaume Lemaitre.

sklearn.manifold

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

• Enhancement manifold.spectral_embedding and manifold.SpectralEmbedding 支持 np.float32 dtype 并将保留此 dtype。 #21534 by Andrew Knyazev.

• Enhancement 为 manifold.Isomap and manifold.LocallyLinearEmbedding 添加 get_feature_names_out。 #22254 by Thomas Fan.

• Enhancement 为 manifold.TSNE 构造函数添加了 metric_params，用于优化中使用的距离度量的附加参数。 #21805 by Jeanne Dionisi and #22685 by Meekail Zain.

• Enhancement manifold.trustworthiness raises an error if n_neighbours >= n_samples / 2 to ensure a correct support for the function. #18832 by Hong Shao Yang and #23033 by Meekail Zain.

• Fix manifold.spectral_embedding 现在使用高斯（Gaussian）而不是以前在 [0, 1] 上的均匀（uniform）随机初始近似于 lobpcg 和 amg 的特征向量，以提高它们的数值稳定性。 #21565 by Andrew Knyazev.

sklearn.metrics

• Feature metrics.r2_score and metrics.explained_variance_score 有一个新的 force_finite 参数。将此参数设置为 False 将在完美预测或 y_true 恒定的情况下返回实际的非有限分数，而不是目前默认返回的有限近似值（分别为 1.0 和 0.0）。 #17266 by Sylvain Marié.

• Feature metrics.d2_pinball_score 和 metrics.d2_absolute_error_score 分别计算用于 pinball loss 和绝对误差的 \(D^2\) 回归分数。metrics.d2_absolute_error_score 是 metrics.d2_pinball_score 的一个特例，其中分位数参数 alpha=0.5 固定，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分数。 #22118 by Ohad Michel.

• Enhancement 当 y_true 为二元且 y_score 为 2d 时，metrics.top_k_accuracy_score 会引发改进的错误消息。 #22284 by Thomas Fan.

• Enhancement metrics.roc_auc_score 现在支持在多类情况下，当 multiclass='ovr' 时，average=None，它将返回每个类别的分数。 #19158 by Nicki Skafte.

• Enhancement 为 metrics.ConfusionMatrixDisplay.from_estimator metrics.ConfusionMatrixDisplay.from_predictions, and metrics.ConfusionMatrixDisplay.plot 添加 im_kw 参数。 im_kw 参数在绘制混淆矩阵时传递给 matplotlib.pyplot.imshow 调用。 #20753 by Thomas Fan.

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

• 修复 修复了 metrics.normalized_mutual_info_score 中可能返回无界值的问题。#22635 by Jérémie du Boisberranger。

• 修复 修复了当真实标签全为负数时，metrics.precision_recall_curve 和 metrics.average_precision_score 的问题。#19085 by Varun Agrawal。

• 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 来检索所有可用评分器的名称。#22866 by Adrin Jalali。

• API 变更 metrics.mean_absolute_percentage_error 的参数 sample_weight 和 multioutput 现为仅限关键字参数，符合 SLEP009。已引入弃用周期。#21576 by Paul-Emile Dugnat。

• API 变更 metrics.DistanceMetric 的 "wminkowski" 度量已弃用，并将在 1.3 版本中移除。取而代之的是，现有的 "minkowski" 度量现在接受一个可选的 w 参数用于权重。此弃用旨在与 SciPy 1.8 惯例保持一致。#21873 by Yar Khine Phyo。

• API 变更 metrics.DistanceMetric 已从 sklearn.neighbors 移至 sklearn.metrics。出于向后兼容性考虑，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 by Julien Jerphanion。

sklearn.mixture

• 增强 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 by Gordon Walsh, Alberto Ceballos 和 Andres Rios。

• 修复 修复了在 mixture.GaussianMixture 中提供 precisions_init 时，通过取其平方根来正确初始化 precisions_cholesky_ 的错误。#22058 by Guillaume Lemaitre。

• 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 时出现舍入错误。#23034 by Meekail Zain。

sklearn.model_selection

• 增强 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 by Olivier Grisel。

• 增强 当所有拆分的拟合都失败时，在交叉验证期间引发错误。同样，当所有模型和所有拆分的拟合都失败时，在网格搜索期间引发错误。#21026 by Loïc Estève。

• 修复 model_selection.GridSearchCV, model_selection.HalvingGridSearchCV 现在在 fit 中而不是在 __init__ 中验证输入参数。#21880 by Mrinal Tyagi。

• 修复 model_selection.learning_curve 现在支持带有回归器的 partial_fit。#22982 by Thomas Fan。

sklearn.multiclass

• 增强 multiclass.OneVsRestClassifier 现在支持 verbose 参数，以便可以看到拟合的进度。#22508 by Chris Combs。

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

sklearn.neighbors

• 增强 为 neighbors.RadiusNeighborsTransformer, neighbors.KNeighborsTransformer 和 neighbors.NeighborhoodComponentsAnalysis 添加了 get_feature_names_out。#22212 by Meekail Zain。

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

• 修复 如果 KNeighborsRegressor 首先使用传递给 weights 参数的可调用对象构造，neighbors.KNeighborsRegressor.predict 现在在给定类似数组的输入时也能正常工作。#22687 by Meekail Zain。

sklearn.neural_network

• 增强 neural_network.MLPClassifier 和 neural_network.MLPRegressor 在优化器产生非有限参数权重时显示错误消息。#22150 by Christian Ritter 和 Norbert Preining。

• 增强 为 neural_network.BernoulliRBM 添加了 get_feature_names_out。#22248 by Thomas Fan。

sklearn.pipeline

• 增强 在 pipeline.FeatureUnion 中添加了对 “passthrough” 的支持。将转换器设置为 “passthrough” 将会保持特征不变。#20860 by Shubhraneel Pal。

• 修复 pipeline.Pipeline 现在不在 __init__ 中验证超参数，而是在 .fit() 中验证。#21888 by iofall and Arisa Y.。

• 修复 pipeline.FeatureUnion 不在 __init__ 中验证超参数。验证现在在 .fit() 和 .fit_transform() 中处理。#21954 by iofall and Arisa Y.。

• 修复 在 pipeline.FeatureUnion 中定义 __sklearn_is_fitted__ 以使用 utils.validation.check_is_fitted 返回正确的结果。#22953 by randomgeek78。

sklearn.preprocessing

• 新功能 preprocessing.OneHotEncoder 现在支持将不常见类别分组为一个特征。通过使用 min_frequency 或 max_categories 指定如何选择不常见类别来启用不常见类别分组。#16018 by Thomas Fan。

• 增强 为 preprocessing.KBinsDiscretizer 添加了 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 by Felipe Bidu 和 Amanda Dsouza。

• 增强 为 preprocessing.OrdinalEncoder 添加了 encoded_missing_value，用于配置缺失数据的编码值。#21988 by Thomas Fan。

• 增强 为 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' 以使用输入特征名称作为输出特征名称，或者将其设置为返回输出特征名称的可调用对象。当转换器更改特征数量时，这特别有用。如果 feature_names_out 为 None（默认值），则未定义 get_output_feature_names。#21569 by Aurélien Geron。

• 增强 为 preprocessing.Normalizer, preprocessing.KernelCenterer, preprocessing.OrdinalEncoder 和 preprocessing.Binarizer 添加了 get_feature_names_out。#21079 by Thomas Fan。

• 修复 使用 method='yeo-johnson' 的 preprocessing.PowerTransformer 在搜索最佳 lambda 时更好地支持显着非高斯数据。#20653 by Thomas Fan。

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

• 修复 带有 check_inverse=True 的 preprocessing.FunctionTransformer 现在在输入具有混合 dtypes 时提供信息丰富的错误消息。#19916 by Zhehao Liu。

• 修复 preprocessing.KBinsDiscretizer 现在更一致地处理 bin 边缘。#14975 by Andreas Müller and #22526 by Meekail Zain。

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

sklearn.random_projection

• 增强 为 random_projection.GaussianRandomProjection 和 random_projection.SparseRandomProjection 添加了 inverse_transform 方法和 compute_inverse_transform 参数。当参数设置为 True 时，在 fit 期间计算组件的伪逆，并存储为 inverse_components_。#21701 by Aurélien Geron。

• 增强 random_projection.SparseRandomProjection 和 random_projection.GaussianRandomProjection 保留 numpy.float32 的 dtype。#22114 by Takeshi Oura。

• 增强 为 sklearn.random_projection 模块中的所有转换器添加了 get_feature_names_out：random_projection.GaussianRandomProjection 和 random_projection.SparseRandomProjection。#21330 by Loïc Estève。

sklearn.svm

• 增强 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 by Juan Martín Loyola。

• 增强 svm.SVR, svm.SVC, svm.NuSVR, svm.OneClassSVM, svm.NuSVC 现在在对偶间隙估计产生非有限参数权重时引发错误。#22149 by Christian Ritter and Norbert Preining。

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

sklearn.tree

• 增强 tree.DecisionTreeClassifier 和 tree.ExtraTreeClassifier 具有新的 criterion="log_loss"，这等同于 criterion="entropy"。#23047 by Christian Lorentzen。

• 修复 修复了 tree.DecisionTreeRegressor 的泊松分裂准则中的错误。#22191 by Christian Lorentzen。

• API 变更 tree.ExtraTreeRegressor 的 max_features 默认值更改为 1.0，tree.ExtraTreeClassifier 的默认值更改为 "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。将 max_features 设置为 "auto" 对 tree.DecisionTreeClassifier 和 tree.DecisionTreeRegressor 也已弃用。#22476 by Zhehao Liu。

sklearn.utils

• 增强 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（例如带有 NaN 或无穷大值）时使错误消息更具信息性。#21219 by Olivier Grisel。

• 增强 utils.check_array 在传入带有 pd.NA 的 Float32 或 Float64 pandas 扩展数组时返回带有 np.nan 的 float ndarray。#21278 by Thomas Fan。

• 增强 utils.estimator_html_repr 在非受信任的 jupyter notebook 中运行时显示更有用的错误消息。#21316 by Thomas Fan。

• 增强 utils.estimator_html_repr 在 HTML 表示的左上角显示一个箭头，以显示元素是可点击的。#21298 by Thomas Fan。

• 增强 带有 dtype=None 的 utils.check_array 在传入具有混合 dtypes 的 pandas DataFrame 时返回数字数组。dtype="numeric" 在 DataFrame 具有混合 dtypes 时也会更好地推断 dtype。#22237 by Thomas Fan。

• 增强 utils.check_scalar 在显示类型时具有更好的消息。#22218 by Thomas Fan。

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

• 修复 utils.class_weight.compute_class_weight 现在只要求 y 中的所有类别在 class_weight 中都有权重。当 y 中存在某个类别但在 class_weight 中不存在时，仍然会引发错误。#22595 by Thomas Fan。

• 修复 utils.estimator_html_repr 对嵌套元估计器进行了改进的可视化。#21310 by Thomas Fan。

• 修复 当 include_boundaries={"left", "right"} 且未设置边界时，utils.check_scalar 引发错误。#22027 by Marie Lanternier。

• 修复 utils.metaestimators.available_if 正确返回可被 pickle 的有界方法。#23077 by Thomas Fan。

• API 变更 utils.estimator_checks.check_estimator 的参数现在称为 estimator（以前的名称是 Estimator）。#22188 by Mathurin Massias。

• 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 by Jérémie du Boisberranger。

代码和文档贡献者

感谢自 1.0 版本以来为项目的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 Kommireddi, 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)